pgmpy/pgmpy

Python Toolkit for Causal and Probabilistic Reasoning

해결하는 문제

pgmpy는 그래픽 모델을 사용한 인과적 및 확률적 추론을 위한 라이브러리입니다. 사용자가 변수 간의 복잡한 종속성을 표현하는 모델을 구축하고, 학습하며, 추론할 수 있도록 하여 인과 관계를 탐색하고 관측된 증거 기반으로 확률을 계산할 수 있게 합니다.

작동 방식

이 라이브러리는 베이지안 네트워크, 동적 베이지안 네트워크, 구조 방정식 모델 등 다양한 그래픽 모델의 데이터 구조를 구현합니다. 다음 작업을 위한 모듈화되고 조합 가능한 API를 제공합니다:

  • 인과 발견: 데이터나 전문 지식에서 모델 구조를 학습.
  • 파라미터 학습: 관측된 데이터로부터 조건부 확률 분포를 추정.
  • 확률적 추론: 증거 기반으로 사후 분포를 계산.
  • 인과 추론: 개입 분포를 계산.
  • 시뮬레이션: 특정 개입이나 증거 하에서 합성 데이터 생성.

대상 사용자

Python에서 확률적 그래픽 모델링, 인과 발견, 인과 추론을 수행해야 하는 연구자 및 개발자에게 적합하며, scikit-learn 파이프라인과 호환됩니다.

주요 특징

  • 다양한 모델 지원: DAG, PDAG, MAG, PAG, 선형 가우시안 베이지안 네트워크를 지원.
  • 인과 도구: 인과 발견, 식별, 검증을 위한 통합 도구.
  • 인과 및 확률적 추론: 사후 분포와 개입 분포 모두 계산 가능.
  • scikit-learn 호환: 표준 ML 파이프라인에 통합 가능한 모듈화된 API.
  • 유연한 데이터 처리: 이산, 선형 가우시안, 혼합 데이터를 지원하며, 함수형 베이지안 네트워크를 통해 임의의 관계를 다룰 수 있음.

관련

  • 프로젝트
    SheffieldML/GPy

    Python에서 회귀 및 기타 GP 기반 모델링 작업을 구현하고 수행하기 위한 가우시안 프로세스 프레임워크입니다.

  • 프로젝트
    cdt15/lingam

    변수 간의 인과 관계를 결정하기 위해 선형 비정규 비순환 모델을 추정하는 파이썬 라이브러리입니다.

  • 프로젝트
    py-why/dowhy

    DoWhy는 엔드투엔드 인과 추론을 위한 Python 라이브러리입니다. 인과 그래프를 정의하고, 자동으로 인과 효과를 식별하며, 다양한 통계적 방법으로 추정하고, 반증 테스트를 통해 강건성을 확인할 수 있습니다. 이 라이브러리는 근본 원인 분석, 반사적 분석, 개입 샘플링을 위한 그래픽 인과 모델도 지원합니다. `pip install dowhy`로 설치하고, 4단계 워크플로우(모델 → 식별 → 추정 → 반증)를 따르세요.

  • 프로젝트
    erdogant/bnlearn

    bnlearn는 베이지안 네트워크의 구조 학습, 파라미터화, 질의를 위한 파이썬 라이브러리입니다. 다양한 점수와 탐색 방법을 통한 구조 발견, CPT 추정, 인과 추론(do-계산), 합성 데이터 생성, 시각화를 지원하며, 간단한 API로 통합되어 있습니다.

  • 프로젝트
    pymc-labs/CausalPy

    CausalPy는 준실험적 환경에서 베이지안 우선 인과 추론을 수행하기 위한 Python 라이브러리입니다. 이중차분법(Diff-in-Diff), 합성 통제법, 회귀 불연속 설계, 도구 변수법 등의 방법을 구현하며, 사후 분포 기반의 효과 요약, 신뢰 구간, ROPE 분석 및 출판 품질의 플롯을 제공합니다. PyMC 6를 기반으로 구축되었으며 Python 3.12 이상에서 작동하고, 추정을 위해 베이지안 및 OLS 옵션을 모두 제공합니다.