Оптимизируйте "доказательства" в cpquery, используя пакет bnlearn в R
Я использую пакет bnlearn в R. Пожалуйста, помогите мне уточнить некоторые моменты
1) network <- hc(DataSet_1) # Создать сеть по умолчанию
2) prior_prob <- bn.fit(network, DataSet_1) # Создать априорные вероятности
3) Posterior_prob <- cpquery(prior_prob , event = var_1 > 100, evidence = (Var_2 = c("ABC")) # Байесовский вывод, Var_1 и Var_2 являются переменными в моем наборе данных
Вопросы
1) На шаге (3), Как я могу оптимизировать переменную свидетельства, чтобы получить вероятность события, превышающую 100.
Ниже я видел ссылку на создание цикла Loop. Нет ли в R функции оптимизации для оптимизации улик? Использование функции bnlearn "cpquery" в цикле
Это правильный способ получить оптимальное доказательство?
2) У меня есть new_data_set, как я могу обновить свою сеть?
3) Могу ли я использовать cpquery для анализа "что если", выбрав несколько доказательств?
4) Могу ли я использовать значение нескольких факторов для одной переменной в cpquery? evidence = Var_2 %in% c("XYZ", "ABC" )? Разрешено ли XYZ & ABC?
Спасибо