Question

我想用PyMC估计有向贝叶斯网的参数。我遇到了一个实现sprinkler network的特定示例，它有3个随机变量和为每个节点定义的条件概率分布（CPD）。

但是，此示例使用确定性变量编码CPD。

是否有可能将2或3个随机变量的联合或边际分布作为观测数据提供给确定性PyMC变量？换句话说，如果我的网络形式为X - ＆gt; Z < - Y，是否可以提供一组形式为'x1，y1，z1＆＃39;的元组。作为观察数据，要学习CPD的参数（Z | X，Y）？

Answer 1

洒水器示例实际上是设置＆＃34;静态＆＃34;概率值。在这一行：

p_G = mc.Lambda('p_G', lambda S=S, R=R: pl.where(S, pl.where(R, .99, .9), pl.where(R, .8, 0.)),
            doc='Pr[G|S,R]')

根据我的理解，我认为我们需要为父级的每个值设置一个参数。因此，如果我们想要学习P（Z / X，Y），我们将需要X和Y的每个值的组合，学习Z的一个参数集。所以我们说X和Y取布尔值，Z是bernoulli分布。对于（X，Y）的每个值，即：（0,0），（0,1），（1,0），（1,1），我们有参数p1，p2，p3，p4。然后Z有4个pymc观测变量：Z1带参数p1，Z2带参数p2，Z3带参数p3，Z4带参数p4。因此：

P(Z=0/X=0,Y=0) is the mcmc estimated mean of p1. 
P(Z=1/X=0,Y=0) = 1-p1
P(Z=0/X=1,Y=0) = p2 and so on....

我在这里有一个相关的问题： How to use pymc to parameterize a probabilistic graphical model?

如何使用PyMC估计Bayes网络中的参数

1 个答案: