pgmpy/pgmpy

Python Toolkit for Causal and Probabilistic Reasoning

解決的問題

pgmpy 提供了一個基於圖形模型的因果與機率推理框架。它允許使用者建立、學習並執行複雜模型的推論，這些模型用來表示變數之間的依賴關係，從而能夠發現因果關係，並根據觀測證據預測結果。

工作原理

該套件實作了多種圖形模型的資料結構，包括有向無環圖（DAG）、貝氏網路與結構方程式模型。它為多項關鍵任務提供模組化、可組合的 API：

  • 結構學習： 從資料中學習模型結構，並支援整合專家知識。
  • 參數估計： 從觀測資料中估計條件機率分配（CPD）。
  • 推論： 計算後驗分配（機率推論）或干預分配（因果推論）。
  • 模擬： 基於指定的證據或干預產生合成資料。

該工具盡可能與 scikit-learn 兼容，使其能整合至標準的機器學習流程中。

適用對象

適用於從事機率圖模型、因果發現與因果推論的研究人員與開發者。

主要特色

  • 廣泛模型支援： 支援 DAG、PDAG、MAG、PAG、貝氏網路、動態貝氏網路與結構方程式模型。
  • 因果工具組： 包含因果發現、識別與驗證的演算法。
  • 彈性資料處理： 支援離散資料、線性高斯資料，以及具有任意關係的混合資料（透過 Torch 後端）。
  • 模組化 API： 採用統一且可組合的 API，使套件具備可擴充性，並與 scikit-learn 流程相容。

相關

  • 專案
    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.

  • 專案
    SheffieldML/GPy

    一個在 Python 中實現的高斯過程框架，提供用於迴歸與分類的機率模型實作與最佳化工具。

  • 專案
    cdt15/lingam

    一個用於估計線性非高斯無環模型以確定變數之間因果關係的 Python 庫。

  • 專案
    py-why/dowhy

    DoWhy 是一個用於端到端因果推斷的 Python 庫。它允許你定義因果圖，自動識別因果效果，使用多種統計方法進行估計，並運行反證測試以檢查穩健性。該庫還支援用於根本原因分析、反事實和干預採樣的圖形因果模型。透過 `pip install dowhy` 安裝，並遵循四步工作流程（模型 → 識別 → 估計 → 反證）即可使用。

  • 專案
    pymc-labs/CausalPy

    用於準實驗設計中研究級因果推論的 Python 庫，提供貝葉斯與 OLS 估計，並實現完整的不確定性量化。