pgmpy/pgmpy

Python Toolkit for Causal and Probabilistic Reasoning

何を解決するか

pgmpy はグラフィカルモデルを用いた因果的・確率的推論のためのライブラリです。ユーザーが複雑な変数間の依存関係を表現するモデルを構築・学習・推論できるようにし、因果関係の発見や観測された証拠に基づく確率の計算を可能にします。

動作方法

このライブラリは、ベイジアンネットワーク、動的ベイジアンネットワーク、構造方程式モデルなど、さまざまなグラフィカルモデルのデータ構造を実装しています。以下のタスクに使えるモジュール化・合成可能なAPIを提供しています：

  • 因果発見: データや専門知識からモデル構造を学習。
  • パラメータ学習: 観測データから条件付き確率分布を推定。
  • 確率的推論: 証拠に基づいて事後分布を計算。
  • 因果推論: 観測介入分布を計算。
  • シミュレーション: 特定の介入や証拠下で合成データを生成。

対象ユーザー

Pythonで確率的グラフィカルモデリング、因果発見、因果推論を行う必要がある研究者や開発者向けに設計されています。scikit-learnパイプラインと互換性があります。

特徴

  • 多様なモデル対応: DAG、PDAG、MAG、PAG、線形ガウス型ベイジアンネットワークをサポート。
  • 因果ツールキット: 因果発見、識別、検証のための統合ツール。
  • 因果的・確率的推論: 事後分布と介入分布の両方を計算可能。
  • scikit-learn互換: 通常のMLパイプラインに統合可能なモジュール化API。
  • 柔軟なデータ処理: 離散データ、線形ガウスデータ、混合データをサポート。関数型ベイジアンネットワークにより任意の関係を扱える。

関連

  • プロジェクト
    SheffieldML/GPy

    Python で回帰やその他の GP ベースのモデリングタスクを実装・実行するためのガウス過程フレームワーク。

  • プロジェクト
    cdt15/lingam

    変数間の因果関係を特定するための、線形非ガウス非循環モデルを推定するPythonライブラリです。

  • プロジェクト
    py-why/dowhy

    DoWhyはエンドツーエンド因果推論のためのPythonライブラリです。因果グラフを定義し、自動的に因果効果を特定し、さまざまな統計手法で推定し、反証テストで堅牢性を検証できます。このライブラリは根本原因分析、反事実、介入サンプリングのためのグラフィカル因果モデルもサポートしています。`pip install dowhy`でインストールし、4ステップワークフロー（モデル → 識別 → 推定 → 反証）に従ってください。

  • プロジェクト
    erdogant/bnlearn

    bnlearn は、ベイジアンネットワークの構造学習、パラメータ推定、クエリ処理を行うPythonライブラリです。構造発見（さまざまなスコアと探索手法）、CPT推定、因果推論（do-計算）、合成データ生成、可視化をサポートし、シンプルなAPIで統合されています。

  • プロジェクト
    pymc-labs/CausalPy

    CausalPyは、準実験的設定におけるベイズ優先の因果推論のためのPythonライブラリです。差分の差分法（Diff-in-Diff）、合成コントロール法、回帰不連続デザイン、操作変数法などの手法を実装しており、事後分布に基づく効果の要約、信用区間、ROPE分析、出版品質のプロットを提供します。PyMC 6をベースに構築され、Python 3.12以降で動作し、推定にはベイズ法とOLSの両方のオプションを提供します。