Python 3.x 使用Python3.x创建贝叶斯网络并学习参数

我正在Windows上搜索python3.x最合适的工具来创建贝叶斯网络，从数据中学习其参数并执行推断

pip install bnlearn

我想将自己的网络结构定义如下：

它是从纸上取下来的

除了“大小”和“graspose”之外，所有变量都是离散的（并且只能取两种可能的状态），这两种变量是连续的，应建模为高斯混合变量

作者使用期望最大化算法学习条件概率表的参数，使用连接树算法计算精确推理

pip install bnlearn

据我所知，所有这些都是通过Murphy的Bayes网络工具箱在MatLab中实现的

我尝试在python中搜索类似的内容，以下是我的结果：

Python贝叶斯网络工具箱（）。网站不工作，项目似乎不受支持

贝斯比 我认为这是我真正需要的，但我没有找到一些类似于我的案例的例子，来理解如何构建网络结构

PyMC似乎是一个功能强大的模块，但我在Windows64、Python3.3上导入它时遇到了问题。安装开发版本时出现错误

警告（theano.configdefaults）：未检测到g++！Theano将无法执行优化的C实现（对于CPU和GPU），并将默认为Python实现。性能将严重下降。要删除此警告，请将无标志cxx设置为空字符串

更新：

libpgm（）。这正是我需要的，不幸的是Python3.x不支持

非常有趣的积极开发库：PGMPY。不幸的是，目前还不支持连续变量和从数据中学习

---

我们将非常感谢您提供的任何建议和具体示例。

它看起来是最近更新的，包含了贝叶斯网络。我自己还没有试过，但是界面看起来很好，而且很容易学习。

对于pymc的g++问题，我强烈建议您完成g++安装，它将极大地提高采样过程，否则您将不得不接受此警告，并在2000采样过程中坐在那里1小时

修复警告的方法是： 1.安装g++，下载cywing并安装g++，你可以用谷歌搜索。要检查这一点，只需转到“cmd”并键入“g++”，如果它说“需要输入文件”，很好，您已经安装了g++了。 2.安装python包：mingw，libpython 3.安装python包：theano

这应该可以解决这个问题

---

我目前正在处理与您相同的问题，祝您好运

聚会迟到了，但我已经用JPype结束了BayeServer Java API；它可能没有您需要的所有功能，但您可以使用以下方式创建上述网络：

from bayesianpy.network import Builder as builder
import bayesianpy.network

nt = bayesianpy.network.create_network()

# where df is your dataframe
task = builder.create_discrete_variable(nt, df, 'task')

size = builder.create_continuous_variable(nt, 'size')
grasp_pose = builder.create_continuous_variable(nt, 'GraspPose')

builder.create_link(nt, size, grasp_pose)
builder.create_link(nt, task, grasp_pose)

for v in ['fill level', 'object shape', 'side graspable']:
    va = builder.create_discrete_variable(nt, df, v)
    builder.create_link(nt, va, grasp_pose)
    builder.create_link(nt, task, va)

# write df to data store
with bayesianpy.data.DataSet(df, bayesianpy.utils.get_path_to_parent_dir(__file__), logger) as dataset:
    model = bayesianpy.model.NetworkModel(nt, logger)
    model.train(dataset)

    # to query model multi-threaded
    results = model.batch_query(dataset, [bayesianpy.model.QueryModelStatistics()], append_to_df=False)

---

我不属于Bayes服务器，Python包装器也不是“官方的”（您可以通过Python直接使用JavaAPI）。我的包装器对我不常使用的函数进行了一些假设和限制。报告在这里：

我正在寻找一个类似的图书馆，我发现这是一个很好的图书馆。谢谢

下面是一个如何使用它的示例

from pomegranate import *
import numpy as np

mydb=np.array([[1,2,3],[1,2,4],[1,2,5],[1,2,6],[1,3,8],[2,3,8],[1,2,4]])

bnet = BayesianNetwork.from_samples(mydb)

print(bnet.node_count())

print(bnet.probability([[1,2,3]]))
print (bnet.probability([[1,2,8]]))

---

试试bnlearn库，它包含许多从数据中学习参数和执行推断的函数

pip install bnlearn

您的用例如下所示：

# Import the library
import bnlearn

# Define the network structure
edges = [('task', 'size'),
         ('lat var', 'size'),
         ('task', 'fill level'),
         ('task', 'object shape'),
         ('task', 'side graspable'),
         ('size', 'GrasPose'),
         ('task', 'GrasPose'),
         ('fill level', 'GrasPose'),
         ('object shape', 'GrasPose'),
         ('side graspable', 'GrasPose'),
         ('GrasPose', 'latvar'),
]

# Make the actual Bayesian DAG
DAG = bnlearn.make_DAG(edges)

# DAG is stored in adjacency matrix
print(DAG['adjmat'])

# target           task   size  lat var  ...  side graspable  GrasPose  latvar
# source                                 ...                                  
# task            False   True    False  ...            True      True   False
# size            False  False    False  ...           False      True   False
# lat var         False   True    False  ...           False     False   False
# fill level      False  False    False  ...           False      True   False
# object shape    False  False    False  ...           False      True   False
# side graspable  False  False    False  ...           False      True   False
# GrasPose        False  False    False  ...           False     False    True
# latvar          False  False    False  ...           False     False   False
# 
# [8 rows x 8 columns]

# No CPDs are in the DAG. Lets see what happens if we print it.
bnlearn.print_CPD(DAG)
# >[BNLEARN.print_CPD] No CPDs to print. Use bnlearn.plot(DAG) to make a plot.

# Plot DAG. Note that it can be differently orientated if you re-make the plot.
bnlearn.plot(DAG)

现在我们需要数据来学习它的参数。假设这些存储在df中。数据文件中的变量名必须存在于DAG中

# Read data
df = pd.read_csv('path_to_your_data.csv')

# Learn the parameters and store CPDs in the DAG. Use the methodtype your desire. Options are maximumlikelihood or bayes.
DAG = bnlearn.parameter_learning.fit(DAG, df, methodtype='maximumlikelihood')
# CPDs are present in the DAG at this point.
bnlearn.print_CPD(DAG)

# Start making inferences now. As an example:
q1 = bnlearn.inference.fit(DAG, variables=['lat var'], evidence={'fill level':1, 'size':0, 'task':1})

下面是一个演示数据集（Spreader）的工作示例。你可以玩这个

# Import example dataset
df = bnlearn.import_example('sprinkler')
print(df)
#      Cloudy  Sprinkler  Rain  Wet_Grass
# 0         0          0     0          0
# 1         1          0     1          1
# 2         0          1     0          1
# 3         1          1     1          1
# 4         1          1     1          1
# ..      ...        ...   ...        ...
# 995       1          0     1          1
# 996       1          0     1          1
# 997       1          0     1          1
# 998       0          0     0          0
# 999       0          1     1          1

# [1000 rows x 4 columns]


# Define the network structure
edges = [('Cloudy', 'Sprinkler'),
         ('Cloudy', 'Rain'),
         ('Sprinkler', 'Wet_Grass'),
         ('Rain', 'Wet_Grass')]

# Make the actual Bayesian DAG
DAG = bnlearn.make_DAG(edges)
# Print the CPDs
bnlearn.print_CPD(DAG)
# [BNLEARN.print_CPD] No CPDs to print. Use bnlearn.plot(DAG) to make a plot.
# Plot the DAG
bnlearn.plot(DAG)

更多示例可在bnlearn的页面上找到：

---

我从未尝试过，但您可以查看@runDOSrun谢谢。不幸的是，似乎没有移植到python 3.x。您尝试过scikit学习吗？似乎有你想要的，还有许多其他在Python3.x中工作的ML算法。我不认为scikit learn的naive Bayes会像提问者希望的那样进行推理？不过，libpgm现在似乎支持python3：是的，看起来很有希望，谢谢。我要试一试。展望连续变量何时也将被支持。@Spu您尝试过吗？你的经历是什么？