R贝叶斯网络平均模型（Max-Min HC）：bn.fit中的误差，图只是部分有向的答案

【问题标题】：R Bayesian Network average model (Max-Min HC): Error in bn.fit, the graph is only partially directedR贝叶斯网络平均模型（Max-Min HC）：bn.fit中的误差，图只是部分有向的
【发布时间】：2022-06-14 07:28:09
【问题描述】：

大家早上好，这是来自意大利的里卡多。这是我关于 StackOverflow 问题的第一次牛仔竞技表演，如果我做错了什么，请见谅。

我也不是 R 编码方面的专家，我正在努力解决以下问题：我尝试使用平均 MMHC 模型（MaxMin Hill-Climbing 上的引导程序）从遗传表达数据（文件 carm.csv 的链接）开始在 R 中构建贝叶斯网络，以学习稳健的结构和贝叶斯方法进行参数学习。

All is good util 我使用 function bn.fit {bnlearn} 进行参数学习，因为出现错误消息："Error in bn.fit(...) : the图只是部分有向的。”。确实，输入中的图不是有向图，但这是大学作业，不应该找到无向图（另外，奇怪的是只有一个拱门，顺便说一句）。

我尝试搜索并可能发现了这些有用的东西 R 中的贝叶斯网络，O'Reilly 2013，p。 35：

“bnlearn 3.2及以后的版本对弧线方向的设置比较挑剔；因此，bn.gs 是一个无向图，必须使用 cextend() 将其扩展为 DAG 才能结束示例。” ...但是使用函数在 DAG 中强制绘制图形对我来说并不是很有趣:)

您能帮我解决这个问题吗？你发现我的代码有问题吗？

我在这里附上代码：


library(bnlearn)
library(Rgraphviz)



###BAYESIAN NETWORKS

#Use a Bayesian network to analyze genetic data (in the file carm.csv) on gene
#expression measured in a series of cytokines in order to assess
#their association with CARM protein expression on a sample of 42 subjects.

#Discretize the data using Hartemink's method (considering 3 final levels
# and 8 initial levels) and proceed with network structure learning
#using a hybrid-type algorithm (Max-Min Hill-Climbing)


#Load:
data <- as.data.frame(read.csv("carm.csv", sep = ";",))

#Discretization:
discret.data<-discretize(data, method='hartemink', breaks=3, ibreaks=8, idisc='quantile')

#Use the model averaging approach to obtain a robust final network
#(again with the mmhc algorithm), using 200 bootstrap samples

ddat<-discret.data

set.seed(123)
boot<-boot.strength(data=ddat,R=200,algorithm="mmhc")
print(boot)
plot(boot)

#Use a threshold of 70% to obtain a network using the averaged.network command,
#and then use the bayes method to do parameter learning:

#Average model:
avg.boot<-averaged.network(boot, threshold=0.70)
print(avg.boot)
plot(avg.boot)

#Parameter learning via Bayes Method:
dag.fit<-bn.fit(avg.boot, ddat, method="bayes")

【问题讨论】：

来自help(averaged.network) : "averaged.network() 通常返回一个完全有向图；当且仅当其每个方向的概率恰好为 0.5 时，弧才能是无向的。”。因此，值得检查您的 boot 对象以查看包含哪些边缘（高于阈值）并且方向 = 0.5。该怎么办？ mmhc 返回一个有向图，所以我认为使用奇数个复制可以对此进行排序；但不是。快速查看帮助页面显示cpdag=TRUE 默认返回等价类。将其设置为 FALSE 应该会有所帮助（在这种情况下）。
... 或者你可以尝试使用?cextend;但不能保证有可能获得完全定向的 graoh。

标签： r bayesian-networks bnlearn

【解决方案1】：

averaged.network 在某些情况下，当弧的两个可能方向的概率恰好为 0.5 时，可能会返回部分有向图。您可以尝试的一件事是将引导复制的数量从 200 个增加到 500 个。这意味着将从引导数据创建 500 个 DAG，以便找到最可能的弧线和方向。引导中的 DAG 越多，您“打破平局”并引导弧线的机会就越大。

如果这不起作用，你仍然有一个无向的弧，你需要处理它。有很多方法可以做到这一点，其中包括尝试其他算法。解决方案实际上取决于您的用例和领域。但是，一般来说，对于许多领域和用例，您可以简单地忽略该弧，并且您仍将拥有有效的 DAG，可以对其进行训练以对变量的联合概率进行编码。这段代码会做到这一点，并且肯定会让你的代码工作，如果你感觉良好而忽略了那条弧线：

avg.boot<-averaged.network(boot, threshold=0.70)
arcs(avg.boot) <- directed.arcs(avg.boot) # ignore undirected arcs

既然您已经删除了无向弧，您的 bn.fit 肯定会工作。

【讨论】：