R bnlearn-使用naive.bayes（）check.data（）错误进行参数学习

我有一个图形结构，由另一种方法确定，我想做参数学习。然而，bnlearn方法似乎直接在数据集上进行参数学习（严格地说是在数据帧中）。我有两个问题：如何使用bnlearn从igraph或graphNEL结构学习参数

第二个问题：当我尝试使用我的数据集进行参数学习时，我得到一个check.data（）错误。他们的示例代码可以工作，我不明白为什么我的数据集不能工作。请参阅下面的代码和下面的可复制示例

下面是他们的示例代码：

require(bnlearn)
require(Rgraphviz)
data(learning.test)
bn <- naive.bayes(learning.test, "A")
pred <- predict(bn, learning.test)
table(pred, learning.test[,"A"])

---

我不认为这个错误来自于检测整数，因为当我将数据转换为数据帧时，我首先将其转换为数值，因为bnlearn中的其他方法需要数值或分解数据。这个数据集是计数数据，但我想使用这个方法，假设我使用的是连续数据集。这有意义吗？

Q1:

？as.graphAM

查看图形集成函数，包括

as.bn

。然后，可以将参数适配到此结构。问题2：来自

？naive.bayes

：由于bnlearn不支持同时包含连续变量和离散变量的网络，因此数据中的所有变量都必须是离散的。注释有点过时了，因为您可以为BN使用混合变量，但对于朴素贝叶斯，变量应该是因子感谢您的响应！我将其命名为.bn（）-ed，现在它抱怨图是部分有向的。这是一个马尔可夫随机场图，所以它是无向的。我们不能在无向图上进行参数学习吗？关于Q2，在R中，“因素”是否与离散数据同义？我不确定如何向R传达我的数据是因子、离散或连续等信息。对于记录，tree.bayes（）也会抛出相同的错误。我不确定我还有什么其他选择。通过设计，贝叶斯网络和朴素贝叶斯模型是定向的（有些可能是部分定向的，但要使无向边参数化，需要强制使其定向）。我不熟悉MRF或者它们应该如何参数化——这足以迫使图形的某些边被定向吗？问题2。bnlearn naive模型需要是因子（这里是离散的同义词）——一个选项是离散化数据。您听说过如何将目标类标签（结果变量）节点添加到图形模型中吗？也许我可以这样增加方向性？如果图形结构只是对变量（特征）关系进行注释，而不是对它们与结果变量的关系进行注释，我看不出马尔可夫RFs的意义。也许这是一个功能选择的事情？或者我可以计算特征X和特征Y都增加了边缘权重的概率吗？问题2。如何在R中离散化自己的数据？我知道factor（）包装器方法，但我不喜欢它对dataframe.Q1的作用。对不起，我不知道-我想这些问题中的一些可能会得到更好的回答。问题2：离散化有多种方式；您可以使用

cut

功能并选择您认为合理的中断（

x
require(bnlearn, Rgraphviz)
data <- data <- matrix(sample.int(200, 61*252, TRUE), nrow=252, ncol=61)
data <- as.data.frame(matrix(as.numeric(as.matrix(data)), ncol=ncol(data), 
        byrow=TRUE))
bn <- naive.bayes(data, names(data)[1])

Error in check.data(data, allowed.types = discrete.data.types) : 
valid data types are:
* all variables must be unordered factors.
* all variables must be ordered factors.
* variables can be either ordered or unordered factors.