https://github.com/pgmpy/pgmpy/tree/dev/examples
一.创建贝叶斯网络
- 案例库
http://www.bnlearn.com/bnrepository/#cancer - markov_blank
https://en.wikipedia.org/wiki/Markov_blanket
简单的说就是观察节点独立于其它节点形成的影响区域,也就是说只有区域内的节点才和观察节点存在直接因果关系,区域外的节点只能间接的对观察节点产生影响 - average degree
https://www.google.com/search?q=Average+degree&oq=Average+degree&aqs=chrome..69i57j0l5.806j0j9&sourceid=chrome&ie=UTF-8
简单地说就是所有节点链接线的总数除以节点总数 - maximum in-degree
https://www.google.com/search?q=Maximum+in-degree&oq=Maximum+in-degree&aqs=chrome..69i57j69i60l3.1349j0j4&sourceid=chrome&ie=UTF-8
简单的说就是到达线最多的那个节点的到达线
这里我们会创建一个关于癌症诊断的贝叶斯网络,并基于创建好的网络做简单的推理
image.png
二.Bayesian Model
- http://pgmpy.org/models.html#module-pgmpy.models.BayesianModel
-
check_model
image.png
简单的说就是,检测概率表加和是否为1
条件概率和父节点是否一致 -
is_active_trail
image.png
简单的说,就是两个节点(观察节点)是否存在因果关系
- local_independencies
-
https://en.wikipedia.org/wiki/Local_independence
image.png
简单的说,就是对于某个观察节点来说,已知哪些节点(条件),它与其它节点(观察节点)无关
-
https://en.wikipedia.org/wiki/Local_independence
-
get_independencies
image.png
简单的说就是得到一个节点,所有的条件独立性(就是在哪些节点已知的情况下,此节点与其他节点条件独立)
三.TabularCPD
http://pgmpy.org/factors.html#module-pgmpy.factors.discrete.CPD
image.png
网友评论