前言

贝叶斯网络又称信度网络，是Bayes方法的扩展，是目前不确定知识表达和推理领域最有效的理论模型之一。编写本文的此刻，作者刚刚入门贝叶斯网络，希望通过以下例子对贝叶斯网进行初步入门，与大家共同进步。代码及范例来源为：

PGM—pgmpy学习
pgmpy官网

案例

案例概述

下面展示两种应用情形，由浅入深，逐步了解并应用贝叶斯网络。

案例1–已知结构、已知参数

针对已知结构及参数，先采用BayesianModel构造贝叶斯网结构，然后通过TabularCPD构造条件概率分布CPD（condition probability distribution）表格，最后将CPD数据添加到贝叶斯网络结构中，完成贝叶斯网络的构造。这里主要用到两个函数：BayesianModel及TabularCPD，通过一下代码可以查询其详细的输入及用法，这里就不详述了。

BayesianModel？
TabularCPD？

具体代码如下：

#coding: utf-8from pgmpy.models import BayesianModel
from pgmpy.factors.discrete import TabularCPDcancer_model = BayesianModel([('pollution', 'cancer'),('smoker', 'cancer'),('cancer', 'x-ray'),('cancer', 'dyspnoea')])
cpd_pollution = TabularCPD(variable='pollution', variable_card=2, values=[[0.9],[0.1]])
cpd_smoker = TabularCPD(variable='smoker', variable_card=2, values=[[0.3],[0.7]])
cpd_cancer = TabularCPD(variable='cancer', variable_card=2, values=[[0.03, 0.05, 0.001, 0.02], [0.97, 0.95, 0.999, 0.98]], evidence=['smoker', 'pollution'],evidence_card=[2, 2])
cpd_x_ray = TabularCPD(variable='x-ray', variable_card=2,values=[[0.9, 0.2], [0.1, 0.8]],evidence=['cancer'],evidence_card=[2])
cpd_dyspnoea = TabularCPD(variable='dyspnoea',variable_card=2,values = [[0.65, 0.3],[0.35, 0.7]],evidence=['cancer'],evidence_card=[2])
cancer_model.add_cpds(cpd_pollution, cpd_smoker, cpd_cancer, cpd_x_ray, cpd_dyspnoea)

构造完成贝叶斯网络后，如何进行预测呢？有以下两种方式：
1.直接获取结果–predict

import pandas
A = pd.DataFrame(data=[[1, 1, 1, 1]], columns=['pollution', 'smoker', 'x-ray', 'dyspnoea'])
result = cancer_model.predict(A)

2.获取概率值–predict_probability
经过多次调试，在这种CPD构造贝叶斯网络中，采用predict_probability方式会报错，具体错误原因未知，往路过的大神指点。

案例2–已知结构、未知参数

针对已知结构，未知参数，可以先建立Beyasian网结构，然后将样本导入训练。

import numpy as np
import pandas as pd
from pgmpy.models import BayesianModel
values = pd.DataFrame(np.random.randint(low=0, high=2, size=(100, 5)), columns=['A', 'B', 'C', 'D', 'E'])train_data = values[:80]
predict_data = values[80:]
model = BayesianModel([('A', 'B'), ('C', 'B'), ('C', 'D'), ('B', 'E')])
model.fit(values)

构造训练完成贝叶斯网络后，可以直接采用例子1中两种方式进行预测。

pgmpy--Bayesian Model初步学习相关推荐

用Python对CAPM和Fama French Three Factor model的初步学习
用Python对CAPM和Fama French Three Factor model的初步学习概述介绍建模与分析 CAPM Fama French Three-Factor Model 总结 ...
eclipsevue代码怎么运行_[Java教程]使用eclipse初步学习vue.js操作
[Java教程]使用eclipse初步学习vue.js操作 0 2017-11-26 19:00:06 一.vue.js的初步认识 https://unpkg.com/vue ">vu ...
【TensorFlow-serving】初步学习模型部署
前言初步学习tensorflow serving的手写数字识别模型部署.包括简单的模型训练.保存.部署上线.因为对docker和网络不太熟悉,可能会有部分错误,但是看完博客,能跑通整个流程.此博客将 ...
显著性检测论文解析2——Visual Saliency Detection Based on Bayesian Model, Yulin Xie, ICIP2011
最近感觉玩的差不多了,现在准备好好学习了,所以就又开始随便写点,就当是自己学习的笔记.这次要说的的是卢湖川的Visual Saliency Detection Based on Bayesian Mo ...
HTMLParser的初步学习
Python的自带模块--HTMLParser的初步学习 HTMLParser是Python自带的模块,使用简单,能够很容易的实现HTML文件的分析. 本文主要简单讲一下HTMLParser的用法. ...
贝叶斯理论与朴素贝叶斯分类理论（Naive Bayesian Model，NBM）
贝叶斯理论与朴素贝叶斯分类理论(Naive Bayesian Model,NBM) 贝叶斯统计理论是英国数学家托马斯´贝叶斯于18世纪中叶提出并逐步完善的一种数学理论.基于贝叶斯统计理论的贝叶斯决策是 ...
初步学习pg_control文件之三
接前文,初步学习pg_control文件之二继续学习: 研究 DBState,先研究 DB_IN_PRODUCTION ,看它如何出现: 它出现在启动Postmaster时运行的函数处: /* * ...
json2.js的初步学习与了解（转）
转载来源:http://apps.hi.baidu.com/share/detail/6092406 json2.js的初步学习与了解 1.)该js的下载地址是:http://www.json.org ...
初步学习pg_control文件之八
接前文初步学习pg_control文件之七继续看:catalog_version_no 代码如下: static void WriteControlFile(void) {.../** In ...

pgmpy--Bayesian Model初步学习

pgmpy--Bayesian Model初步学习

前言

案例

案例概述

案例1–已知结构、已知参数

案例2–已知结构、未知参数

pgmpy--Bayesian Model初步学习相关推荐

最新文章

热门文章