用EM算法进行简单贝叶斯网络的参数学习（python程序）

用EM算法进行贝叶斯网络的条件参数学习，建立一个简单的网络，网络来源西瓜书，我把模型简化了，只有3个特征。

其中色泽属性可取值为青绿1，乌黑2，浅白3；根蒂取值为蜷缩1，稍蜷2，硬挺3；敲声浊响1，沉闷2，清脆3；好瓜1，坏瓜2；数字是为了输入样本数据用的。
现在用EM算法进行网络的条件参数学习，先简单介绍一下EM算法。
概念：
EM算法即最大期望算法，是一类通过迭代进行极大似然估计的优化算法，用于对包含隐变量或缺失数据的概率模型进行参数估计。
与极大似然估计关系：
极大似然估计是对服从已知分布的未知参数进行估计。例如已知100个人里女性有50人，男性有50人，男女身高都服从正态分布，则我们可以通过极大似然估计来估计男女身高的正态分布参数。极大似然估计适用于解决参数未知的样本。
而EM算法是用来解决包含隐变量和未知参数的样本。例如，在100人中，有男女各50人，我们拥有100个人的身高数据，确不知道这100人里每个人是男生还是女生。即样本的类别是未知的。
EM算法的数据集组成为：观测数据X = (x1,…, xn)+隐含变量Z = (z1,…, zn)=完整数据Y = ((x1, z1),…, (xn, zn))
EM算法计算流程就是：
总结EM流程：
&#x