【问题标题】:R bnlearn Grow-Shrink structure learningR bnlearn Grow-Shrink 结构学习
【发布时间】:2016-10-10 22:59:02
【问题描述】:

Nagarajan 等人。书(R 中的贝叶斯网络,O'Reilly 2013 年,第 35 页)说,当我使用 R bnlearn 包的标记数据集并要求通过编写使用增长-收缩实现来学习结构时

library(bnlearn)
data(marks)
bn.gs = gs(marks)

当我申请时

bn.gs = gs(marks)

bn.gs 甚至 bn.hc,上面写着:

"矩阵中的错误(c(x$d, x$pi, x$sigma, x$rho), ncol = 1) : 'data' 必须是向量类型,为 'NULL'"

我的数据类型好像有问题,和book一模一样。我能做什么?

【问题讨论】:

  • 我无法重现这个。您能否将sessionInfo() 的结果添加到您的问题中。在新的 R 会话中问题是否仍然存在?
  • 我无法重现这个(3.3.1,Win7)。您确定这三行是您在新会话开始时使用的行,并且在运行最后一行后出现错误吗?
  • @user20650 > sessionInfo() R 版本 3.3.1 (2016-06-21) 平台:x86_64-w64-mingw32/x64 (64-bit) 运行条件:Windows 7 x64 (build 7601)服务包 1
  • @JonathanCarroll,是的,我完全使用:rm(list=ls(all=TRUE)) >library(bnlearn) > data(marks) >bn.gs = gs(marks) >print(bn .gs) & 我也添加了 sessionInfo()
  • @GulfChanter 哪一行导致了错误?

标签: r bayesian-networks


【解决方案1】:

我无法重现这一点,但我希望我们能弄清楚发生了什么,因为您似乎与我处于相同的设置中。我将此作为答案发布,以便显示代码,但一旦我们到达那里,我会将其修改为答案。

请尝试:

devtools::install_github("jennybc/reprex")
library(reprex)

将此代码复制到剪贴板(例如 CTRL+C

library(bnlearn)
data(marks)
bn.gs = gs(marks)
bn.gs

然后输入

reprex(venue = "so")

并粘贴输出。如果它有效,你应该得到类似下面的东西(如果它不是可重现的错误,应该会失败)

library(bnlearn)
data(marks)
bn.gs = gs(marks)
bn.gs
#> 
#>   Bayesian network learned via Constraint-based methods
#> 
#>   model:
#>     [undirected graph]
#>   nodes:                                 5 
#>   arcs:                                  6 
#>     undirected arcs:                     6 
#>     directed arcs:                       0 
#>   average markov blanket size:           2.40 
#>   average neighbourhood size:            2.40 
#>   average branching factor:              0.00 
#> 
#>   learning algorithm:                    Grow-Shrink 
#>   conditional independence test:         Pearson's Correlation 
#>   alpha threshold:                       0.05 
#>   tests used in the learning procedure:  44 
#>   optimized:                             TRUE

【讨论】:

    猜你喜欢
    • 1970-01-01
    • 2020-01-04
    • 2018-04-17
    • 2017-02-18
    • 2021-05-06
    • 1970-01-01
    • 2016-05-06
    • 2017-04-06
    • 2011-10-03
    相关资源
    最近更新 更多