Образец из байесовской сети в гранате

Я построил байесовскую сеть, используя from_samples() в гранате. Я могу получить максимально вероятные прогнозы от модели, используя model.predict(). Я хотел знать, есть ли способ выборки из этой байесовской сети условно (или безоговорочно)? есть ли случайные выборки из сети, а не максимально вероятные прогнозы?

Я посмотрел на model.sample(), но он повышал NotImplementedError.

Кроме того, если это невозможно сделать с помощью pomegranate, какие другие библиотеки отлично подходят для байесовских сетей в Python?


python machine-learning python-3.5 bayesian-networks pomegranate
person Utkarsh Mall    schedule 26.06.2018    source источник

Ответы (3)


arrow_upward
0
arrow_downward

model.sample() должен быть реализован к настоящему времени, если Я правильно вижу историю коммитов.

Вы можете взглянуть на PyMC, который также поддерживает смешанные дистрибутивы. Тем не менее, я не знаю другого набора инструментов с таким же фабричным методом, как from_samples() в pomogranate.

person Reacher234    schedule 22.08.2018
comment
связанная фиксация предназначена для класса BayesModel, а не для класса BayesianNetwork, о котором спрашивает OP. см. здесь: github.com/jmschrei/pomegranate/blob/master/pomegranate / - person Jed; 05.02.2020

arrow_upward
1
arrow_downward

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

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

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

arrow_upward
0
arrow_downward

Одним из способов выборки из «запеченной» байесовской сети является использование метода predict_proba. predict_proba возвращает список распределений, соответствующих каждому узлу, для которого не была предоставлена ​​информация, в зависимости от предоставленной информации.

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
person Jed    schedule 05.02.2020