我在石榴中使用from_samples() 构建了一个贝叶斯网络。我可以使用model.predict() 从模型中获得最大可能的预测。我想知道是否有一种方法可以有条件地（或无条件地）从这个贝叶斯网络中采样？即是否有来自网络的随机样本而不是最大可能的预测？
我看了model.sample()，但它正在提高NotImplementedError。
另外，如果使用 pomegranate 无法做到这一点，还有哪些其他库对 Python 中的贝叶斯网络非常有用？
【问题讨论】：
标签： python machine-learning python-3.5 bayesian-networks pomegranate
只是为了用一个具体的例子来阐明上述答案，以便对某人有所帮助，让我们从以下简单的数据集开始（包含 4 个变量和 5 个数据点）：
import pandas as pd
df = pd.DataFrame({'A':[0,0,0,1,0], 'B':[0,0,1,0,0], 'C':[1,1,0,0,1], 'D':[0,1,0,1,1]})
df.head()
# A B C D
#0 0 0 1 0
#1 0 0 1 1
#2 0 1 0 0
#3 1 0 0 1
#4 0 0 1 1
现在我们用'exact'算法和pomegranate从以上数据中学习贝叶斯网络结构（使用DP/A*学习最优BN结构），使用如下代码sn-p
import numpy as np
from pomegranate import *
model = BayesianNetwork.from_samples(df.to_numpy(), state_names=df.columns.values, algorithm='exact')
# model.plot()
学习的 BN 结构和对应的 CPT 如下图所示
从上图可以看出，准确的解释了数据。我们可以使用模型计算数据的对数似然如下：
np.sum(model.log_probability(df.to_numpy()))
# -7.253364813857112
一旦学习了BN结构，我们就可以从BN中采样如下：
model.sample()
# array([[0, 1, 0, 0]], dtype=int64)
作为旁注，如果我们使用algorithm='chow-liu' 代替（它找到一个快速近似的树状结构），我们将获得以下BN：
这次数据的对数似然是
np.sum(model.log_probability(df.to_numpy()))
# -8.386987635761297
这表明算法exact找到了更好的估计。
【讨论】：
如果我正确查看提交历史记录，model.sample()should have been implemented 到此为止。
您可以查看PyMC，它也支持分发混合。
但是，我不知道任何其他具有类似工厂方法的工具箱，例如 pomogranate 中的from_samples()。
【讨论】：
从“烘焙”贝叶斯网络中采样的一种方法是使用 predict_proba 方法。 predict_proba 根据提供的信息返回与未提供信息的每个节点对应的分布列表。
例如：
bn = BayesianNetwork.from_samples(X)
proba = bn.predict_proba({"1":1,"2":0}) # proba will be an array of dists
samples = np.empty_like(proba)
for i in np.arange(proba.shape[0]):
for j in np.arange(proba.shape[1]):
if hasattr(proba[i][j],'sample'):
samples[i,j] = proba[i][j].sample(10000).mean() #sample and aggregate however you want
else:
samples[i,j] = proba[i][j]
pd.Series(samples,index=X.columns) #convert samples to a pandas.Series with column labels as index
【讨论】：