pgmpy/pgmpy
Python Toolkit for Causal and Probabilistic Reasoning
解决的问题
pgmpy 是一个使用图形模型进行因果和概率推理的库。它允许用户构建、学习并执行对复杂变量间依赖关系进行建模的推理，从而实现因果关系的发现以及基于观测证据的概率计算。
工作原理
该库实现了多种图形模型的数据结构，包括贝叶斯网络、动态贝叶斯网络和结构方程模型。它提供了一个模块化、可组合的 API，用于执行以下任务：
- 因果发现：从数据或专家知识中学习模型结构。
- 参数学习：从观测数据中估计条件概率分布。
- 概率推理：基于证据计算后验分布。
- 因果推断：计算干预分布。
- 模拟：在特定干预或证据下生成合成数据。
适用人群
专为需要在 Python 中进行概率图建模、因果发现和因果推断的研究人员和开发者设计，兼容 scikit-learn 的流水线。
主要亮点
- 多样化的模型支持：支持 DAG、PDAG、MAG、PAG 以及线性高斯贝叶斯网络。
- 因果工具集成：提供因果发现、识别和验证的集成工具。
- 因果与概率推理：能够计算后验分布和干预分布。
- 与 scikit-learn 兼容：模块化 API 可轻松集成到标准机器学习流水线中。
- 灵活的数据处理：支持离散、线性高斯和混合数据，通过函数型贝叶斯网络可处理任意关系。
相关
- 项目
- 项目
- 项目
- 项目
- 项目