问题标签 [bnlearn]

我正在学习使用 R 包的动态贝叶斯网络模型bnlearn。为此，我正在关注这篇论文，他们以 6 层的形式施加了某些约束（论文中的表 1）：

在此示例中，由于gender和age位于顶层，它们不能受Riluzole intake但影响（或具有因果关系）Riluzole intake并最终受到影响survival。这保证了网络的非周期性，也就是说，我们在变量之间没有无休止的反馈循环。

我的问题是，我们如何使用 R 包对这些先验知识进行建模bnlearn。

我想从条件贝叶斯网络中抽取样本（即一些没有父节点的输入节点没有附加分布），给定输入节点值，使用 bnlearn。我尝试过的解决方案效率低下，我希望它与rbn我们可以在这种情况下执行前向采样一样有效。

例如，如果我有离散网络：A -> B，我想在给定 A 的数据向量的情况下为 B 绘制随机值。我可以使用impute（非常低效）或生成随机数据rbn，使用我的输入条件和过滤选择一个随机行（这也是低效的，因为很多样本都被丢弃了）。

例如，这是一个基本的 A -> B 网络：

这是一个“估算”的尝试：

相比：

我错过了什么还是应该手动实现？

编辑：在 user20650 发表评论后，我尝试使用 predict 的性能比 impute 好得多，但不确定如何，因为文档说“'impute()' 是基于 'predict()'”。

更合理的时间，但仍然比 a 慢 15 倍rbn（1M 行慢 150 倍）。我仍然有点害怕它如何随网络规模扩展。我会调查一下。

我正在尝试使用库bnlearn和Rgraphviz. 我的工作流程如下：

在使用随机数据（我实际使用的数据显然不是随机的）创建数据框后，我将数据离散化，结构学习有向无环图（DAG），将数据拟合到 DAG，然后绘制 DAG。我还绘制了一个 DAG，它显示了每个节点的后验概率。

接下来我要做的是手动更改bn.fit对象中的分布，分配给fitted，然后绘制一个 DAG，显示实例化节点和响应变量的更新后验概率e。

这是我得到的结果，但我的实际 BN 更大，弧线更多，手动更改bn.fit对象是不切实际的。

我想知道是否有一种方法可以在不bn.fit手动更改对象的情况下通过实例化绘制 DAG？是否有我缺少的解决方法或功能？

我想/希望我已经彻底阅读了 bnlearn 的文档。我感谢任何反馈，如果我没有足够清楚地表达我的想法，我很乐意改变问题中的任何内容。

谢谢你。

我一直在尝试使用 R 中的 bnlearn 库基于数据集构建贝叶斯网络，但我一直收到如下所示的错误。

输入的代码：

收到错误：

.table(data[, c(node, parents), drop = FALSE], with.missing = !all(data.info$complete.nodes[c(node, : 试图创建超过 INT_MAX 个单元格的表) .

我想保留现有的父节点。我想知道这个错误是否有解决方法？

假设我有一个简单的 DAG，表示混杂变量 X = 吸烟、治疗 T 和结果 Y = 死亡，这样：

T ~ X
Y ~ T + X

是否可以生成一个包含 1m 个观察值的合成数据集，该数据集遵循一些指定的条件概率：

我可以在这里手动执行此操作，因为它是一个非常基本的 DAG，但我想知道它是否可以以另一种更具可扩展性的方式完成，例如使用bnlearn.

当前解决方案：

我正在学习使用，bnlearn并且在下面代码的最后一行中不断遇到以下错误：

custom.fit(dag, cpt) 中的错误：条件概率分布的数量错误

我究竟做错了什么？

参考：https ://rpubs.com/sarataheri/bnlearnCGM

我正在尝试精益 bnlearn 并遵循有关survey.txt 数据的示例。但是我收到以下错误，不知道如何解决。我是 R 和 bnlearn 的新手。任何意见，将不胜感激。

我正在尝试使用 R 中的 DAG 来估计因果效应。虽然现在我可以拟合贝叶斯网络，绘制 DAG，并且可以验证我的模型的独立条件，但我仍然不知道如何将 do()-Operator 实现为由 Pearl(2008) 在贝叶斯网络中定义。由于回归等所需的假设，我想避免将 DAG 单独用作回归的变量选择方法，因为它经常这样做。我宁愿尝试找到一种直接在贝叶斯网络中估计效果的方法。

例如，如果我试图估计吸烟 (S) 对血压 (B) 的影响，这两者都受到一些社会经济变量 (SV) 的影响。所以 DAG 将属于 S <- SV -> B 和 S -> B 的类型。我如何估计吸烟对血压的治疗效果，即 E[血压|do(吸烟 = True)]？R中有实现吗？我没有找到使用非常强大的 bnlearn 包的正确方法，现在我没有想法。

你好 stackoverflow 社区，

我正在做一个单一项目，我们尝试从 R 中的数据创建贝叶斯网络分类器。理想情况下，分类器应该基于通用贝叶斯网络 (GNB) 或 BN 增强朴素贝叶斯 (BAN)。不幸的是，我还没有找到一个合适的包来在 R 中创建这些网络中的任何一个。我的研究使我找到了以下两个包：

1. bnclassify，最突出的 BN 分类包，根本不包括 GNB 或 BAN。
2. bnlearn 提供了学习 GNB 的可能性，但根据创建者的说法，学习的重点是返回正确的依赖结构，而不是最大限度地提高分类的预测准确性。尽管如此，我还是尝试将它们用于我的分类问题，但结果并不令人印象深刻。

所以我的问题是，是否有人知道使用 GNB 或 BAN 进行分类的 R 包，或者如何使用 bnlearn 的 GNB 来提高他们对分类问题的预测准确性。

提前感谢您的帮助。

此致

这是使用自己的规范在 R 中使用贝叶斯网络模拟数据的后续问题

假设现在我想包括离散父母和连续父母，以便我的 DAG 包含治疗和死亡（结果），并且都取决于年龄（连续）和性别：

在这种情况下，我将如何定义条件概率表？

同样，如果结果是连续变量而不是离散变量，我该如何定义结果？