我使用 from_samples()
构建了一个贝叶斯网络在石榴中。我能够使用 model.predict()
从模型中获得最大可能的预测.我想知道是否有办法有条件地(或无条件地)从这个贝叶斯网络中采样?即是否有从网络中获取随机样本而不是最大可能的预测?
我看了model.sample()
,但它正在提高NotImplementedError
.
此外,如果这不可能使用 pomegranate
,还有哪些其他库非常适合 Python 中的贝叶斯网络?
最佳答案
只是为了用一个具体的例子来阐明上述答案,以便对某人有所帮助,让我们从以下简单的数据集(有 4 个变量和 5 个数据点)开始:
import pandas as pd
df = pd.DataFrame({'A':[0,0,0,1,0], 'B':[0,0,1,0,0], 'C':[1,1,0,0,1], 'D':[0,1,0,1,1]})
df.head()
# A B C D
#0 0 0 1 0
#1 0 0 1 1
#2 0 1 0 0
#3 1 0 0 1
#4 0 0 1 1
现在让我们使用 'exact'
从上述数据中学习贝叶斯网络结构。算法与 pomegranate
(使用DP/A*学习最优BN结构),使用以下代码片段import numpy as np
from pomegranate import *
model = BayesianNetwork.from_samples(df.to_numpy(), state_names=df.columns.values, algorithm='exact')
# model.plot()
学习到的 BN 结构以及相应的 CPT 如下图所示从上图可以看出,它准确地解释了数据。我们可以使用模型计算数据的对数似然,如下所示:
np.sum(model.log_probability(df.to_numpy()))
# -7.253364813857112
一旦学习了 BN 结构,我们可以从 BN 中采样如下:model.sample()
# array([[0, 1, 0, 0]], dtype=int64)
作为旁注,如果我们使用 algorithm='chow-liu'
相反(通过快速近似找到树状结构),我们将获得以下 BN:这次数据的对数似然为
np.sum(model.log_probability(df.to_numpy()))
# -8.386987635761297
表示算法 exact
找到更好的估计。
关于python - 来自石榴贝叶斯网络的样本,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/51035303/