利用Netica训练简易贝叶斯网络模型【教程】

前情：

写人工智能相关的选修课期末论文的时候，想简单搭个静态贝叶斯网络模型尝试进行数据分析，但并没有在网上找到特别好的容易上手的教程。查阅参考文献时发现Netica是个比较方便的贝叶斯网络工具（相比Matlab的贝叶斯网络工具箱等，Netica不用敲代码学语法，而且是可视化交互界面，对新手相当友好），只是网上没什么详细教程，只能看官方文档自己摸索。本文相当于一个Netica基本使用流程的教程。

背景：

工具和参考：

• Netica下载地址【百度网盘提取码：p02v 】
• Netica官方教程

贝叶斯网络简介：
贝叶斯网络属于概率图模型的一种（本教程中涉及的是最基本的静态贝叶斯网络），是一个有向无环图（DAG） ，网络的拓扑结构代表了各变量之间的影响关系（即因果联系）。基于训练数据计算各节点条件概率表（CPT），得到模型的参数。之后输入数据进行预测的过程，就是根据已有的条件概率将样本划入对应条件下可能性最大的类别。
此外，贝叶斯网络的常见使用场景是在疾病预测和故障诊断等领域。

实践教程

以下举例部分将使用Netica自带的例子进行示范

一、搭建贝叶斯网络拓扑结构

1.新建网络

2.新建节点
点击工具栏中的黄色椭圆形图标，即可在网络中新建节点

3.编辑结点
双击节点或者右键->Properties可以打开节点的编辑面板，提供修改节点名等操作

点击state右侧的new可以为节点新建状态

点击Discrete可以将变量的状态由离散变为“连续”，此处的连续其实也只是按区间离散化

4.新建联系
点击工具栏中的箭头，再分别点击需要建立联系的两个节点即可

二、导入数据进行参数学习

如图，是一个搭完拓扑结构，且尚未进行训练的贝叶斯网络模型

导入数据，进行参数学习
点击Cases->Learn->Incrop Case Files，导入训练数据

数据集导入的是CSV格式也是支持的，只不过导入时要注意是否格式正确，可在File->Open As File 中选择要导入的数据集，查看是否会有读入错误。以下是可以正常读入的数据样例

三、模型准确度测试

选择要预测的节点，点击Cases->Test With Cases 导入测试数据即可（此处为了简化操作，直接导入了之前的训练数据）

输出的报表中会有准确率、基尼系数、AUC等等数据