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Python 3.x 使用Python3.x创建贝叶斯网络并学习参数,python-3.x,machine-learning,scikit-learn,probability,bayesian-networks,Python 3.x,Machine Learning,Scikit Learn,Probability,Bayesian Networks,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
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:
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?