在 causalnex 中构建基于专业知识的贝叶斯网络

如何解决在 causalnex 中构建基于专业知识的贝叶斯网络

到目前为止，在 causalnex 包中，我只遇到了从 数据。我想知道如何根据专业知识使用我的节点参数和 CPD 创建我自己的网络。有人参考过它或举个例子吗？

解决方法

看起来causalnex 不直接支持手动设置CPD，但是您可以查看底层代码并看到它使用pgmpy BayesianModel 同时表示因果关系贝叶斯网络中的结构和CPD。

这样，您就可以通过 add_cpds 添加您知道的 CPD 而不是拟合它们。要获取 BayesianModel 对象，它将是：bn._model，其中 bn 是您的 causalnex.BayesianNetwork 对象。

我不确定这是否会让您只想使用 pgmpy 而不是 causalnex ！ causalnex 的最大好处似乎是它使用了 NOTEARS 算法，该算法可帮助您为有向图构建加权邻接矩阵。再说一次，它还为您协调一些绘图。

另外，docs 中的一个重要说明提醒您它不是真正连续的，而是离散/分箱的：

CausalNex 中的贝叶斯网络仅支持离散分布。 任何连续特征，或具有大量 类别，应该在拟合贝叶斯之前离散 网络。包含具有许多可能值的变量的模型将 通常不适合，表现不佳。