Просто чтобы прояснить приведенные выше ответы на конкретном примере, чтобы это было кому-то полезно, давайте начнем со следующего простого набора данных (с 4 переменными и 5 точками данных):
import pandas as pd
df = pd.DataFrame({'A':[0,0,0,1,0], 'B':[0,0,1,0,0], 'C':[1,1,0,0,1], 'D':[0,1,0,1,1]})
df.head()
# A B C D
#0 0 0 1 0
#1 0 0 1 1
#2 0 1 0 0
#3 1 0 0 1
#4 0 0 1 1
Теперь давайте изучим структуру байесовской сети из приведенных выше данных, используя алгоритм 'exact'
с pomegranate
(использует DP/A* для изучения оптимальной структуры BN), используя следующий фрагмент кода.
import numpy as np
from pomegranate import *
model = BayesianNetwork.from_samples(df.to_numpy(), state_names=df.columns.values, algorithm='exact')
# model.plot()
Обучаемая структура BN показана на следующем рисунке вместе с соответствующими CPT.
![введите здесь описание изображения](https://i.stack.imgur.com/4rX4f.png)
Как видно из приведенного выше рисунка, он точно объясняет данные. Мы можем вычислить логарифмическую вероятность данных с помощью модели следующим образом:
np.sum(model.log_probability(df.to_numpy()))
# -7.253364813857112
Как только структура BN изучена, мы можем сделать выборку из BN следующим образом:
model.sample()
# array([[0, 1, 0, 0]], dtype=int64)
В качестве примечания, если вместо этого мы используем algorithm='chow-liu'
(который находит древовидную структуру с быстрым приближением), мы получим следующий BN:
![введите здесь описание изображения](https://i.stack.imgur.com/IAOLl.png)
Логарифмическая вероятность данных на этот раз равна
np.sum(model.log_probability(df.to_numpy()))
# -8.386987635761297
что указывает на то, что алгоритм exact
находит лучшую оценку.
person
Sandipan Dey
schedule
29.01.2021