问题标签 [bayesian-networks]

谢谢阅读。

我想使用 Matlab 的 BNT 工具箱实现贝叶斯网络。问题是，我找不到“简单”的例子，因为这是我第一次处理 BN。

您能否提出一些可能的应用程序，（节点不多）请^^？

我正在使用多个二进制向量，例如 A、B、C、D、E、F、G、H。我想找到它们之间的分类。我尝试了以下方法：

得到这个错误只是因为所有都是连续变量并且在 mu 处为 NULL。

创建网络后，我应该如何进行分类？

我想使用 Scikit-learn 的半监督朴素贝叶斯（伯努利）的实现。根据github 中的这个链接，一年前有一些工作和讨论（半监督NB 类）。另一方面，似乎还有另一种不同的实现（函数 fit_semi？），它似乎后来被另一个用户打磨了。但是，它们都没有在当前的稳定版本中可用。

有人可以向我展示一个示例，说明如何在当前版本的 scikit-learn 中使用这两种实现之一来构建半监督朴素贝叶斯？谢谢。

PS：我正在使用来自 NLTK 的 scikit-learn 分类器和 SklearnClassifier 类

编辑

我在我的项目中尝试了 SemiSupervisedNB 的代码，将未标记类的标签从 -1 更改为 2（我正在使用 NLTK 中的 SKlearnClassifier，我的未标记类获得标签 2）。但是，我得到 ValueError: array must not contain infs or NaNs when computing d （模型的当前参数和先前参数之间的差异），因为截距数组包含 inf 值......关于如何解决这个问题的任何想法？

我通过绘制我的 3类问题。X 轴是训练数据集大小（忘记实际值），Y 是准确度。这是我得到的。

这种性能差异有什么原因吗？

我有以下表格，其依赖项如下：

我想为 建立联合概率表P(M,P,W,B)，看起来像这样（当然，你可以假设下表没有给我，它取自这个问题的答案）：

有人可以解释一下如何创建联合概率表P(M,P,W,B)吗？

非常感谢

这里通过等价我的意思是，在这两种情况下分布（整个表）是否相等？？？

我正在尝试在（最好是python 3，但python 2也可以接受）中使用森林（或树）增强贝叶斯分类器（原始介绍，学习python） ，首先学习它（结构和参数学习）然后使用它用于离散分类并获得具有缺失数据的那些特征的概率。（这就是为什么只是离散分类，甚至是好的朴素分类器对我来说不是很有用。）

我的数据进来的方式，我喜欢从不完整的数据中使用增量学习，但我什至在文献中都没有发现任何可以同时做这两种方法的东西，所以任何做结构和参数学习和推理的东西都是好的回答。

似乎有一些非常独立且未维护的python包大致朝这个方向发展，但我没有看到任何最近的东西（例如，我希望pandas用于这些计算是合理的，但OpenBayes几乎没有使用numpy） ，而我所见过的任何东西似乎都完全没有增强分类器。

那么，我应该从哪里节省一些实现森林增强贝叶斯分类器的工作呢？在 python 类中是否有一个很好的 Pearl 消息传递算法的实现，或者这对于增强的贝叶斯分类器是否不合适？是否有一个可读的面向对象的实现，用于学习和推断其他语言的 TAN 贝叶斯分类器，可以翻译成 python？

我知道但发现不合适的现有软件包是

• milk，它确实支持分类，但不支持贝叶斯分类器（我肯定需要分类和未指定特征的概率）
• pebl，它只做结构学习
• scikit-learn，它只学习朴素贝叶斯分类器
• OpenBayesnumarray，自从有人将它移植到numpy并且文档可以忽略不计以来，它几乎没有改变。
• libpgm，它声称支持一组甚至不同的东西。根据主要文档，它进行推理、结构和参数学习。除了似乎没有任何精确推断的方法。
• Reverend声称自己是“贝叶斯分类器”，文档可以忽略不计，通过查看源代码，我得出的结论是，根据Robinson和类似的方法，它主要是垃圾邮件分类器，而不是贝叶斯分类器。
• eBay 的bayesianBelief Networks允许构建通用贝叶斯网络并对其进行推理（精确和近似），这意味着它可以用于构建 TAN，但其中没有学习算法，以及 BN 是从函数构建的方式意味着实现参数学习比假设的不同实现更困难。

我正在尝试在贝叶斯网络上关注这些幻灯片。谁能解释一下贝叶斯网络中的节点被“实例化”是什么意思？

假设我有以下贝叶斯网络：

而且我想在 H=true 或 H=false 上对新实例进行分类，新实例看起来像这样：Fl=true, A=false, S=true, and Ti=false。

如何根据 H 对实例进行分类？

我可以通过将表中的概率相乘来计算概率：

0.4 * 0.7 * 0.5 * 0.2 = 0.028

这说明了新实例是否是正实例 H？

编辑 我将尝试根据 Bernhard Kausler 的建议计算概率：

所以这是贝叶斯规则： P(H|S,Ti,Fi,A) = P(H,S,Ti,Fi,A) / P(S,Ti,Fi,A)

计算分母： P(S,Ti,Fi,A) = P(H=T,S,Ti,Fi,A)+P(H=F,S,Ti,Fi,A) = (0.7 * 0.5 * 0.8 * 0.4 * 0.3) + (0.3 * 0.5 * 0.8 * 0.4 * 0.3) =0.048

P(H,S,Ti,Fi,A) = 0.336

所以P(H|S,Ti,Fi,A) = 0.0336 / 0.048 = 0.7

现在我计算P(H=false|S,Ti,Fi,A) = P(H=false,S,Ti,Fi,A) / P(S,Ti,Fi,A) 我们已经有了P(S,Ti,Fi,A´. I's ´0.048.

P(H=false,S,Ti,Fi,A) =0.0144

所以P(H=false|S,Ti,Fi,A) = 0.0144 / 0.048 = 0.3

的概率P(H=true,S,Ti,Fi,A)是最高的。所以新实例将被分类为H=True

这个对吗？

加法：我们不需要计算P(H=false|S,Ti,Fi,A)，因为它是 1 - P(H=true|S,Ti,Fi,A)。

我是 R 的新手。要在包中使用，我需要一个“因子数据框”。

我有一个形式的文本文件：

所以每一列代表一个变量，可以是 1、2 或 3。请建议一个命令，允许我从这样的文本文件中获取因子的数据框（仅将文件作为矩阵读取是不行的，我需要有真正的“因素”）。

提前致谢。