Как построить байесовскую сеть с созданными узлами с помощью bnlearn и graphviz?

Question

Я пытаюсь построить байесовскую сеть (BN) с созданными узлами, используя библиотеки. bnlearn а также Rgraphviz. Мой рабочий процесс выглядит следующим образом:

После создания фрейма данных со случайными данными (данные, которые я на самом деле использую, очевидно, не случайны), я затем дискретизирую данные, изучаю структуру направленного ациклического графа (DAG), помещаю данные в DAG и затем строю DAG. Я также рисую DAG, который показывает апостериорные вероятности каждого из узлов.

      #rm(list = ls())
library(bnlearn)
library(Rgraphviz)

# Generating random dataframe
data_clean <- data.frame(a = runif(min = 0, max = 100, n = 1000),
                         b = runif(min = 0, max = 100, n = 1000),
                         c = runif(min = 0, max = 100, n = 1000),
                         d = runif(min = 0, max = 100, n = 1000),
                         e = runif(min = 0, max = 100, n = 1000))

# Discretising the data into 3 bins
bins <- 3
data_discrete <- discretize(data_clean, breaks = bins)

# Creating factors for each bin in the data
lv <- c("low", "med", "high")

for (i in names(data_discrete)){
  levels(data_discrete[, i]) = lv
}

# Structure learning the DAG from the training set
whitelist <- matrix(c("a", "b",
                      "b", "c",
                      "c", "e",
                      "a", "d",
                      "d", "e"),
                    ncol = 2, byrow = TRUE, dimnames = list(NULL, c("from", "to")))

bn.hc <- hc(data_discrete, whitelist = whitelist)

# Plotting the DAG
dag.hc <- graphviz.plot(bn.hc,
                        layout = "dot")

# Fitting the data to the structure
fitted <- bn.fit(bn.hc, data = data_discrete, method = "bayes")

# Plotting the DAG with posteriors
graphviz.chart(fitted, type = "barprob", layout = "dot")

Следующее, что я делаю, это вручную изменяю распределения в объекте, назначенном для fitted, а затем постройте DAG, который показывает экземпляры узлов и обновленную апостериорную вероятность переменной ответа e.

      # Manually instantiating
fitted_evidence <- fitted

cpt.a = matrix(c(1, 0, 0), ncol = 3, dimnames = list(NULL, lv))

cpt.c = c(1, 0, 0,
          0, 1, 0,
          0, 0, 1)
dim(cpt.c) <- c(3, 3)
dimnames(cpt.c) <-  list("c" = lv, "b" =  lv)

cpt.b = c(1, 0, 0,
          0, 1, 0,
          0, 0, 1)
dim(cpt.b) <- c(3, 3)
dimnames(cpt.b) <-  list("b" = lv, "a" =  lv)

cpt.d = c(0, 0, 1,
          0, 1, 0,
          1, 0, 0)
dim(cpt.d) <- c(3, 3)
dimnames(cpt.d) <-  list("d" = lv, "a" =  lv)

fitted_evidence$a <- cpt.a
fitted_evidence$b <- cpt.b
fitted_evidence$c <- cpt.c
fitted_evidence$d <- cpt.d

# Plotting the DAG with instantiation and posterior for response
graphviz.chart(fitted_evidence, type = "barprob", layout = "dot")

Это результат, который я получаю, но мой фактический BN намного больше, с большим количеством дуг, и было бы непрактично вручную изменять объект.

Я хотел бы узнать, есть ли способ построить DAG с созданием экземпляра без изменения bn.fitобъект вручную? Есть ли обходной путь или функция, которые мне не хватает?

Я думаю / надеюсь, что внимательно прочитал документацию по bnlearn. Я ценю любые отзывы и буду рад изменить что-либо в вопросе, если я не передал свои мысли достаточно ясно.

Спасибо.

Answer 1

Как насчет использования для извлечения образцов из апостериорной области, учитывая доказательства. Затем вы можете оценить обновленные параметры, используя bn.fit с помощью cpdistобразцы. Затем заговорите, как прежде.

Пример:

      set.seed(69184390) # for sampling

# Your evidence vector
ev <- list(a = "low", b="low", c="low", d="high")

# draw samples
updated_dat <- cpdist(fitted, nodes=bnlearn::nodes(fitted), evidence=ev, method="lw", n=1e6)

# refit : you'll get warnings over missing levels
updated_fit <- bn.fit(bn.hc, data = updated_dat)

# plot
par(mar=rep(0,4))
graphviz.chart(updated_fit, type = "barprob", layout = "dot")

Обратите внимание, я использовал bnlearn::nodes в качестве nodes маскируется зависимостью Rgraphviz. Я склонен загружать bnlearn последний.