我使用石榴中的
from_samples()
构建了一个贝叶斯网络。我可以使用 model.predict()
从模型中获得最大可能的预测。我想知道是否有一种方法可以有条件(或无条件)从这个贝叶斯网络中采样?即是否从网络中获取随机样本而不是最大可能的预测?
我看了
model.sample()
,但它正在升高NotImplementedError
。
此外,如果使用
pomegranate
无法做到这一点,还有哪些其他库非常适合 Python 中的贝叶斯网络?
只是为了用一个具体的例子来阐明上述答案,以便对某人有所帮助,让我们从以下简单的数据集(有 4 个变量和 5 个数据点)开始:
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
现在让我们使用
'exact'
算法和pomegranate
从上面的数据中学习贝叶斯网络结构(使用DP/A*来学习最优的BN结构),使用以下代码片段
import numpy as np
from pomegranate.bayesian_network import *
model = BayesianNetwork.from_samples(df.to_numpy(), state_names=df.columns.values, algorithm='exact')
# model.plot()
所学习的BN结构以及相应的CPT如下图所示
从上图可以看出,它准确地解释了数据。我们可以使用模型计算数据的对数似然,如下所示:
np.sum(model.log_probability(df.to_numpy()))
# -7.253364813857112
一旦学习了 BN 结构,我们就可以按如下方式从 BN 中采样:
model.sample()
# array([[0, 1, 0, 0]], dtype=int64)
顺便说明一下,如果我们使用
algorithm='chow-liu'
来代替(它可以快速逼近找到树状结构),我们将获得以下 BN:
这次数据的对数似然为
np.sum(model.log_probability(df.to_numpy()))
# -8.386987635761297
这表明算法
exact
找到了更好的估计。
从“烘焙”贝叶斯网络中采样的一种方法是使用 Predict_proba 方法。 Predict_proba 返回与未提供信息的每个节点相对应的分布列表,以所提供的信息为条件。
例如:
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