python实现贝叶斯网络的概率推导（Probabilistic Inference）

这篇博客讲述的虽然全面，但细节部分，尤其是贝叶斯网络概率推导的具体实现部分，一笔带过。然而本次实验的要求就是实现贝叶斯网络的概率推导，因此我在学习完这篇博客的基础上，又把老师发的ppt学了一遍，（由于ppt是英文的，一开始我是拒绝学的），最后又挑重点看了下博客和ppt，感觉豁然开朗。

因此如果没有学习过贝叶斯网络，建议按照我上面列出的顺序学习。

由于ppt较大，因此这里以网盘形式给出，提取码:cn3h，该ppt仅供个人学习参考，严禁以盈利形式传播

关于贝叶斯网络的概率推导，最重要的公式是以下这两个：

这两个公式具体什么意思，网上或者是ppt中都有讲解，这里不再赘述。重点在于这两个公式是完成本实验代码的核心公式，这一点我在完成实验之后才意识到，在之前学习ppt的时候，由于公式众多，并没有意识到这两个公式的重要性。

实验代码

代码所在的github地址已给出

需要注意的是，由于该实验指定了数据格式，因此代码完全是在指定数据格式要求下完成的，不具有普适性，因此实验代码仅供参考算法使用。

设计的cpt格式如下：

class cpt:
    def __init__(self, name, parents, probabilities):
        self.name = name
        self.parents = parents
        self.probabilities = probabilities

贝叶斯网络代码如下

from cpt import cpt

class BN:
    def __init__(self, nums, variables, graph, cpts):
        self.nums = nums
        self.variables = variables
        self.graph = graph
        self.cpts = cpts
        # 创建一个名字与编号的字典，便于查找
        index_list = [i for i in range(self.nums)]
        self.variables_dict = dict(zip(self.variables, index_list))
        # 计算全概率矩阵
        self.TotalProbability = self.calculateTotalProbability()

    def calcula