贝叶斯因果推理_贝叶斯网络正向推理-CSDN博客

本文链接：https://blog.csdn.net/m0_52460096/article/details/145009341

1、阅读论文

1.1《基于数据驱动贝叶斯网络的内河船舶交通事故分析》2022年

使用的贝叶斯可视化软件Netica

主要包括三个步骤：结构学习、参数学习、推理分析。

由于采用具有唯一子节点的朴素贝叶斯网络结构（见图１），目标节点的条件概率表将会非常庞大，进行参数学习时会作为模型变量极大地增加工作量。因此，考虑到贝叶斯网络具有双向风险分析的能力，为了简化结构，本文提出了一种改进的发散朴素贝叶斯网络结构。该结构将目标节点当作唯一的父节点，其余影响因素均作为该父节点影响下的子节点（见图２），这种结构可以在很大程度上减少条件概率的计算量，且对最终的结果没有影响。

结构学习

贝叶斯网络模型的拓扑结构的确定，即节点和有向边的构建过程。

建立朴素贝叶斯网络（见图４），此时事故类型是唯一的父节点，其余各子节点也就是原始的各影响因素。

参数学习

在贝叶斯网络的固定拓扑结构下，根据训练数据计算条件概率分布（即条件概率表，CPT）的过程。
在文章中，参数学习基于芜湖海事局提供的内河船舶交通事故数据进行，通过Netica软件对模型中的关键节点进行条件概率计算。通过贝叶斯可视化软件Ｎｅｔｉｃａ对模型中的关键节点进行参数学习，而一旦条件概率表被构建与获得，就可以计算每个影响因素的后验概率。

推理分析

利用贝叶斯网络模型进行正向推理或反向诊断，从而分析事故类型与影响因素之间的关系，并预测不同情景下的事故类型。

1、仅从模型训练完后的结果进行分析

2、贝叶斯网络正向推理——根据目标节点事故类型，结合事故概率分布变化逆推子节点影响因素的重要性。（将父节点的某一中情况的概率调整到100%，查看子节点变化）

3、贝叶斯网络模型验证——调用python程序对该事故船舶数据集进行验证，经正向验证发现该模型预测的准确率为７５．４％，表明该模型具备一定的参考性。在python程序中，本文针对该数据集基于朴素贝叶斯网络模型进行了１００次训练，每次均随机选用７０％作为训练样本、３０％作为验证样本

4、逆向推理——考虑到贝叶斯网络模型具备动态分析的功能特点，其适用于分析在涉及船舶运行特征和环境因素等不同情景下各种事故类型发生的可能性。因此，本文通过设置多个影响因素同时变动的四个复合场景，用以判断在不同场景下最有可能发生的事故类型，并找出该事故类型对应的主要影响因素，以为海事局等部门制定相应的防控措施提供理论支持。（将几个子节点的某些情况的概率值调到100%，观察父节点变化）

1.2《塔吊作业事故关联规则挖掘及贝叶斯建模分析》2024年

为简化贝叶斯网络结构，提升模型推理分析的效率和精度，采用一种发散朴素贝叶斯网络结构，设置事故类型为唯一父节点进行结构初步构建。 将筛选出的符合关联规则挖掘条件的规则项，按照从先决节点到结果节点指向添加有向边，完成贝叶斯网络结构扩展及优化。（和上面的思想一样，把目标节点作为唯一父节点，不过通过关联规则挖掘增加一些子节点的联系。）

参数学习的方法有两种［９］：一种是通过问卷调查的方法，基于专家经验计算相关节点的先验概率及条件概率；二是采用数据驱动的方法，通过收集的案例数据对贝叶斯网络模型进行训练，获取相关节点的条件概率。为降低推理过程的主观性，本文采用数据驱动的方式进行贝叶斯网络参数学习。

建立了一个基于关联规则改进朴素贝叶斯网络的塔吊作业事故分析模型。基于关联规则挖掘结果进行贝叶斯网络结构学习，采用数据驱动的方式进行参数学习。

诊断推理也被称为逆向推理，即根据目标节点的事故类型，结合事故概率分布变化逆推风险因素子节点的重要程度，探究塔吊事故发生的成因机制。（将父节点的某一中情况的概率调整到100%，查看子节点变化）

因果推理也被称为正向推理，即通过设置风险因素节点概率，观测目标节点概率的变化情况。（将几个子节点的某些情况的概率值调到100%，观察父节点变化）

这个正/逆向推理和上篇文章反过来的。……………………