Python和贝叶斯网络：贝叶斯理论(6)
发布时间
阅读量：
阅读量
在前面的章节中我们学习了贝叶斯网络的基本知识。本章将利用Python建立如下图所示的贝叶斯网络：
在Python中建立贝叶斯网络要引入pgmpy包和pandas包，然后编写如下代码：
from pgmpy.models import BayesianModel
from pgmpy.factors.discrete.CPD import TabularCPD
import pandas as pd
m = BayesianModel() # 创建一个贝叶斯网络
m.add_edge('爱情', '幸福')
m.add_edge('事业', '幸福')
m.add_edge('幸福', '长寿')
m.add_edge('爱情', '长寿')
# 填写先验概率和条件概率
m.add_cpds(TabularCPD('爱情', 2, [[0.98], [0.02]]))
m.add_cpds(TabularCPD('事业', 2, [[0.8], [0.2]]))
m.add_cpds(TabularCPD('幸福', 2, [[0.99, 0.9, 0.5, 0], [0.01, 0.1, 0.5, 1.0]],
evidence=['爱情', '事业'], evidence_card=(2, 2)))
m.add_cpds(TabularCPD('长寿', 2, [[0, 0.1, 0.7, 0.1], [1.0, 0.9, 0.3, 0.9]],
evidence=['幸福','爱情'], evidence_card=(2, 2)))
# 检查模型，如果有错会抛出异常
m.check_model()
# 准备数据
data = pd.DataFrame([[1, 0]], columns=['爱情', '长寿'])
print(m.predict_probability(data))代码中我们假定爱情、事业、幸福和长寿都只有两个状态，比如爱情的两个状态是：没爱情和有爱情。事业的两个状态是：事业无成和事业有成。幸福的两个状态是：不幸福与幸福。长寿的两个状态是：不长寿和长寿。
爱情和事业是入度为0的结点，所以只需为它们定义先验概率即可。代码
m.add_cpds(TabularCPD('爱情', 2, [[0.98], [0.02]]))的作用是为爱情的两个状态设置先验概率：没爱情的可能性是98%，有爱情的可能性仅2%。
代码
m.add_cpds(TabularCPD('幸福', 2, [[0.99, 0.9, 0.5, 0], [0.01, 0.1, 0.5, 1.0]],
evidence=['爱情', '事业'], evidence_card=(2, 2)))的作用是为幸福定义条件概率。由于幸福有两个先驱结点，所以应该在evidence参数中列出这两个先驱结点的名字，在evidence_card参数中列出每个先驱结点的状态的数量。由于爱情和事业各有两个状态，所有一共有4种组合，因此第三个参数(values)必须是一个2*4的矩阵或者二维列表，其中第一维的长度2等于幸福的状态数量，第二维的长度4等于先驱结点的所有可能组合数。在定义条件概率时，要保证同一列上所有概率之和等于1，也就是说，在先驱结点的同一个组合下，当前结点的各种状态的概率和应该等于1。
接着调用
m.check_model()检查一下模型以保证你提供的数据都是合理的。如果不合理这个方法会扔出异常。再调用
data = pd.DataFrame([[1, 0]], columns=['爱情', '长寿'])以准备数据。上述数据的含义是，某人有爱情但是不长寿。最后调用
m.predict_probability(data)以获知这个人的事业和幸福情况。结果是：
幸福_0 幸福_1 事业_0 事业_1
0 0.4 0.6 0.8 0.2这意味着这个人幸福的可能性是60%，事业有成的可能性是20%。
怎么样？贝叶斯网络是不是很有趣？
全部评论 (0)
还没有任何评论哟~