3

我遇到了一个超出我理解范围的问题。我制作了一个简单的可重现示例供您测试。

基本上，我创建了一个贝叶斯网络，其中两个高度相关的变量链接在一起。人们会期望，如果其中一个很高，那么另一个也应该很高（因为它们是直接相关的）。

library(bnlearn)

Learning.set4 = cbind(c(1,2,1,8,9,9),c(2,0,1,10,10,10))
Learning.set4 = as.data.frame(Learning.set4)
colnames(Learning.set4) = c("Cause","Cons")
b.network = empty.graph(colnames(Learning.set4))
struct.mat = matrix(0,2,2)
colnames(struct.mat) = colnames(Learning.set4)
rownames(struct.mat) = colnames(struct.mat)
struct.mat[1,2] = 1

bnlearn::amat(b.network) = struct.mat
haha = bn.fit(b.network,Learning.set4)

# Here we get a mean that is close to 10    
seems_logic_to_me=cpdist(haha, nodes="Cons", 
                                evidence=list("Cause"=10), method="lw")

# Here I get a mean that is close to 5, so a high value 
# of Cons wouldn't mean anything for Cause?    
very_low_cause_values = cpdist(haha, nodes="Cause",  
                                 evidence=list("Cons"=10), method="lw")

有人可以在这里告诉我为什么它不适用于该lw方法吗？（您可以尝试，ls它似乎工作正常）。

lw代表似然加权

更新：从维护者那里得到了解决方案。在末尾添加以下内容将打印预期的预测：

print (sum(very_low_cause_values[, 1] * attr(very_low_cause_values, "weights")) / sum(attr(very_low_cause_values, "weights")))

4

0 回答 0