pgmpy/pgmpy

Python Toolkit for Causal and Probabilistic Reasoning

解决的问题

pgmpy 提供了一个基于图形模型的因果和概率推理框架。它允许用户构建、学习并执行复杂模型的推理，这些模型用于表示变量之间的依赖关系，从而能够发现因果关系，并基于观测证据预测结果。

工作原理

该库实现了多种图形模型的数据结构，包括有向无环图（DAG）、贝叶斯网络和结构方程模型。它为多个关键任务提供了模块化、可组合的 API：

  • 结构学习： 从数据中学习模型结构，并支持整合专家知识。
  • 参数估计： 从观测数据中估计条件概率分布（CPD）。
  • 推理： 计算后验分布（概率推理）或干预分布（因果推理）。
  • 模拟： 基于指定的证据或干预生成合成数据。

该工具尽可能与 scikit-learn 兼容，使其能够集成到标准的机器学习流水线中。

适用人群

适用于从事概率图模型、因果发现和因果推断的研究人员和开发者。

主要亮点

  • 广泛模型支持： 支持 DAG、PDAG、MAG、PAG、贝叶斯网络、动态贝叶斯网络和结构方程模型。
  • 因果工具集： 包含因果发现、识别和验证的算法。
  • 灵活的数据处理： 支持离散数据、线性高斯数据以及具有任意关系的混合数据（通过 Torch 后端）。
  • 模块化 API： 采用统一且可组合的 API，使库具备可扩展性，并与 scikit-learn 流水线兼容。

相关

  • 项目
    erdogant/bnlearn

    bnlearn is a Python library for learning, parameterising, and querying Bayesian networks. It supports structure discovery (various scores and search methods), CPT estimation, causal inference (do‑calculus), synthetic data generation, and visualisation, all wrapped in a simple API.

  • 项目
    SheffieldML/GPy

    一个在 Python 中实现的高斯过程框架，提供用于回归和分类的概率模型实现与优化工具。

  • 项目
    cdt15/lingam

    一个用于估计线性非高斯无环模型以确定变量之间因果关系的 Python 库。

  • 项目
    py-why/dowhy

    DoWhy 是一个用于端到端因果推断的 Python 库。它允许你定义因果图，自动识别因果效应，使用多种统计方法进行估计，并运行反证测试以检查稳健性。该库还支持用于根本原因分析、反事实和干预采样的图形因果模型。通过 `pip install dowhy` 安装，并遵循四步工作流程（模型 → 识别 → 估计 → 反证）即可使用。

  • 项目
    pymc-labs/CausalPy

    用于准实验设计中研究级因果推断的 Python 库，提供贝叶斯和 OLS 估计，并实现完整的不确定性量化。