Python 提高贝叶斯因果网络的预测精度

我想确定热力学过程中意外结果（或变形金刚）的原因。我有相关变量的连续数据，并试图利用“贝叶斯网络（BN）”来确定因果关系。为此，我在Python中使用了一个名为“”的库

我已经按照这个库的教程部分构建了DAG、BN模型，并且在预测之前一切都很好。少数/较少多数类别的预测结果的准确度约为60-70%（SMOTE/SMOTETomek和特定随机状态的准确度为80-90%），而预计稳定的准确度将超过90%。我已经实现了以下数据预处理步骤

确保没有丢失/NaN值

离散化（只有库支持）

SMOTE/SMOTETomek用于数据平衡

各种列车/试验尺寸组合

我正在努力找出优化模型的方法。我在网上找不到任何支持我的材料

对于数据预处理技术和数据集要求，是否有任何指导方针或“最佳实践”特别适用于此库/BN模型？您能否建议任何故障排除方法，以确定低精度/指标的原因？也许DAG中被误解的节点因果关系导致了一般的准确性

---

任何关于这方面的想法/文献/其他合适的图书馆都会非常有帮助

一些有帮助的提示：

改变/调整学习结构

• 尝试不同的阈值。从熊猫中执行

  时，您可以使用不同的
  w阈值
  值（以及
  beta
  术语（如果您使用的是熊猫套索中的
  ）
  
  这将改变网络的密度。更致密的结构意味着具有更多参数的BN。如果结构更密集，则具有更多参数，并且模型的性能可能会更好。但是，如果它太密集，您可能没有足够的数据来训练它，并且可能会拟合过度
  
  

• 将数据居中。从经验上看，如果数据居中，NOTEARS（来自的

  背后的算法）的效果最好。所以，减去平均值可能是个好主意
  
  

• 确保因果关系。注释不能保证因果关系。因此，我们需要“专家”来判断输出并进行必要的修改。如果您看到没有因果意义的边，您可以将它们删除或添加为

  禁忌边

  ，然后再次训练您的网络

试验离散化。性能可能对数据的离散化方式非常敏感。尝试各种类型的离散化可以有所帮助。您可以使用：

• Causalnex中提供的方法（例如，统一）
• 基于对您的数据有意义的阈值的固定离散化
• MDLP是一种有监督的数据离散化方法。您可以为每个节点应用MDLP，每个节点都有一个子节点作为“目标”。pypy中有两个主要的MDLP包：和