python - 来自石榴贝叶斯网络的样本

Question

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？

Answer 1

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。