pgmpy - 基于Python的因果与概率建模库-CSDN博客

文章目录

一、关于 pgmpy

1、项目概览

pgmpy 是一个用于贝叶斯网络及相关模型的因果与概率建模的Python库。它提供统一的API用于构建、学习和分析以下模型：

贝叶斯网络
动态贝叶斯网络
有向无环图(DAGs)
结构方程模型(SEMs)

通过整合概率推断和因果推断工具，pgmpy 使用户能够在预测分析和干预分析之间无缝切换。

2、相关链接资源

Github：https://github.com/pgmpy/pgmpy
官网：https://www.pgmpy.org
官方文档：https://pgmpy.org/
示例：https://github.com/pgmpy/pgmpy/tree/dev/examples
教程：https://github.com/pgmpy/pgmpy_notebook
社区支持：Discord | Stack Overflow
License：MIT License

3、功能特性

功能	描述
因果发现/结构学习	从数据中学习模型结构，可选择性整合专家知识
因果验证	评估因果结构与数据的兼容性
参数学习	从观测数据中估计模型参数（如条件概率分布）
概率推断	计算基于观测证据的后验分布
因果推断	使用do-演算计算干预和反事实分布
数据模拟	在指定证据或干预下生成合成数据

二、安装配置

# 通过PyPI安装
pip install pgmpy

# 通过conda安装
conda install conda-forge::pgmpy

三、使用示例

1、离散数据建模

from pgmpy.utils import get_example_model

# 加载离散贝叶斯网络并模拟数据
discrete_bn = get_example_model('alarm')
alarm_df = discrete_bn.simulate(n_samples=100)

# 从数据学习网络结构
from pgmpy.estimators import PC
dag = PC(data=alarm_df).estimate(ci_test='chi_square', return_type='dag')

# 学习模型参数
dag_fitted = dag.fit(alarm_df)
dag_fitted.get_cpds()

# 使用学习模型进行预测
evidence_df = alarm_df.drop(columns=['FIO2'], axis=1)
pred_FIO2 = dag_fitted.predict(evidence_df)

2、线性高斯数据建模

# 加载高斯贝叶斯网络并模拟数据
gaussian_bn = get_example_model('ecoli70')
ecoli_df = gaussian_bn.simulate(n_samples=100)

# 从数据学习网络结构
from pgmpy.estimators import PC
dag = PC(data=ecoli_df).estimate(ci_test='pearsonr', return_type='dag')

# 学习模型参数
from pgmpy.models import LinearGausianBayesianNetwork
gaussian_bn = LinearGausianBayesianNetwork(dag.edges())
dag_fitted = gaussian_bn.fit(ecoli_df)
dag_fitted.get_cpds()

# 使用学习模型进行预测
evidence_df = ecoli_df.drop(columns=['ftsJ'], axis=1)
pred_ftsJ = dag_fitted.predict(evidence_df)