我有一个贝叶斯网络，应该计算“故障变量”的边际后验概率，给定离散“可观察变量”数据（该离散数据不是概率），故障变量是 0 到 1 之间的连续值。为此，条件概率分布（CPD）应该由 pgmpy 中的贝叶斯网络学习。为了学习 pgmpy 中的 CPD，如果我给出离散的可观察数据，我得到的输出必须是边际后验概率的连续值，训练数据应该包含什么？如图所示，我拥有的标记训练数据由离散可观测变量数据和相应的故障变量概率组成。
我想在 pgmpy 中训练贝叶斯网络，并使用我的证据数据（新的离散可观察数据）进行推理。我知道有向无环图的结构。我假设连续变量的分布是高斯分布。我在 pgmpy 文档中找到了“使用连续变量进行参数化”，但我试图通过一个示例来理解如何使用离散和连续数据训练 BN，以便通过贝叶斯网络中的概率推理计算连续后验值。
我现在实际上正在努力解决这个问题，您在这个问题上取得了任何有见地的进展吗？