Python 石榴中的贝叶斯网络样本

我用石榴中的

from_samples（）

构建了一个贝叶斯网络。我能够使用

model.predict（）

从模型中获得最大可能的预测。我想知道是否有一种方法可以有条件地（或无条件地）从这个贝叶斯网络中取样？i、 e.是否存在从网络中获取随机样本而不是最大可能预测的方法

我查看了

model.sample（）

，但它引发了

NotImplementedError

另外，如果使用

石榴

无法做到这一点，那么在Python中，还有哪些库适合于贝叶斯网络呢？

如果我正确查看提交历史，那么现在就检查

model.sample（）

d

您还可以查看哪些支持分布混合。

---

但是，我不知道还有其他工具箱有类似的工厂方法，比如pomogranate中的

from_samples（）

。

从“烘焙”BayesianNetwork中取样的一种方法是使用predict_proba方法。predict_proba根据提供的信息返回与未提供信息的每个节点对应的分布列表

e、 g:

bn = BayesianNetwork.from_samples(X)
proba = bn.predict_proba({"1":1,"2":0}) # proba will be an array of dists
samples = np.empty_like(proba)
for i in np.arange(proba.shape[0]):
    for j in np.arange(proba.shape[1]):
        if hasattr(proba[i][j],'sample'):
            samples[i,j] = proba[i][j].sample(10000).mean() #sample and aggregate however you want
        else:
            samples[i,j] = proba[i][j]
pd.Series(samples,index=X.columns) #convert samples to a pandas.Series with column labels as index

---

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（包含4个变量和5个数据点）开始：

现在，让我们使用

石榴

（使用DP/A*学习最佳BN结构）的

精确算法从上述数据学习贝叶斯网络结构，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()

下一个图中显示了正在学习的BN结构以及相应的CPT


从上图可以看出，它准确地解释了数据。我们可以使用以下模型计算数据的对数似然：

np.sum(model.log_probability(df.to_numpy()))
# -7.253364813857112

model.sample()  
# array([[0, 1, 0, 0]], dtype=int64)

一旦学习了BN结构，我们可以从BN中取样如下：

np.sum(model.log_probability(df.to_numpy()))
# -7.253364813857112

model.sample()  
# array([[0, 1, 0, 0]], dtype=int64)

作为旁注，如果我们使用
算法class='chow-liu'
（它找到一个具有快速近似的树状结构），我们将获得以下BN：


这次数据的对数可能性为

np.sum(model.log_probability(df.to_numpy()))
# -8.386987635761297

这表明算法
exact
找到了更好的估计。
链接提交是针对BayesModel类的，而不是OP正在查询的BayesianNetwork类。请看这里：