在 causalnex 中构建基于专业知识的贝叶斯网络
constructing an expertise based bayesian network in causalnex
到目前为止，在causalnex包中，我只遇到了从
数据。我想知道如何使用我的节点参数和来自专业知识的 CPD 创建我自己的网络。有人对此有一些参考或示例吗？
看起来 causalnex 不直接支持手动设置 CPD，但您可以查看底层代码，发现它使用的是 pgmpy BayesianModel 同时表示 causalnex BayesianNetwork 中的结构和 CPD。
有了它，您可以通过 add_cpds 添加您知道的 CPD，而不是拟合它们。要获取 BayesianModel 对象，它将是：bn._model，其中 bn 是您的 causalnex.BayesianNetwork 对象。
我不确定这是否会让您只想使用 pgmpy 而不是 causalnex！！ causalnex 的最大好处似乎是它使用了 NOTEARS 算法，它可以帮助您为有向图构建加权邻接矩阵。话又说回来，它还为你协调了一些策划。
此外，来自 docs 的重要说明提醒您它不是 真正 连续的，而是 discretised/binned:
Bayesian Networks in CausalNex support only discrete distributions.
Any continuous features, or features with a large number of
categories, should be discretised prior to fitting the Bayesian
Network. Models containing variables with many possible values will
typically be badly fit, and exhibit poor performance.
到目前为止，在causalnex包中，我只遇到了从 数据。我想知道如何使用我的节点参数和来自专业知识的 CPD 创建我自己的网络。有人对此有一些参考或示例吗？
看起来 causalnex 不直接支持手动设置 CPD，但您可以查看底层代码，发现它使用的是 pgmpy BayesianModel 同时表示 causalnex BayesianNetwork 中的结构和 CPD。
有了它，您可以通过 add_cpds 添加您知道的 CPD，而不是拟合它们。要获取 BayesianModel 对象，它将是：bn._model，其中 bn 是您的 causalnex.BayesianNetwork 对象。
我不确定这是否会让您只想使用 pgmpy 而不是 causalnex！！ causalnex 的最大好处似乎是它使用了 NOTEARS 算法，它可以帮助您为有向图构建加权邻接矩阵。话又说回来，它还为你协调了一些策划。
此外，来自 docs 的重要说明提醒您它不是 真正 连续的，而是 discretised/binned:
Bayesian Networks in CausalNex support only discrete distributions. Any continuous features, or features with a large number of categories, should be discretised prior to fitting the Bayesian Network. Models containing variables with many possible values will typically be badly fit, and exhibit poor performance.