pgmpy

它会给你什么

• 填好每个变量概率的完整模型。
• 可以接着拿去做概率查询、生成模拟数据或因果分析的模型。

你需要准备

• 已经画好变量关系图、但还没填概率的模型。
• 一份观测数据表，列名要和图里的变量名对得上。
• 你选的估计方法，默认用最直接的频率估计。

由你把关

• 选哪种估计方法是否匹配你的样本量和缺失情况，由你决定。
• 用先验方法时给的先验假设是否符合领域常识，由你判断。
• 迭代估计有没有算到收敛、是否提前停止，由你检查。

它会给你什么

• 干预设定下结果变量的分布，比如强制改变某变量后结果会怎样。
• 判断这个因果问题在当前图上能不能被识别的结论。
• 切断干预变量的来源之后剩下关系。

你需要准备

• 一张标好了因果方向的变量关系图。
• 填好的各变量概率或参数。
• 你想查询的结果变量。

由你把关

• 图上的因果方向是否真的来自领域知识，而不是凭数据相关性猜的，由你确认。
• 这个因果效应在图上能不能被识别，识别不了时有没有如实报出，由你核对。
• 选哪种调整方式是否匹配你要估计的目标，由你决定。

它会给你什么

• 一张模拟数据表，可以直接拿去验证你的方法。
• 按干预场景生成的数据，用来对照因果分析的结果。
• 带缺失值的数据，用来测试缺失数据下的估计方法。

你需要准备

• 已经填好概率的模型。
• 要生成多少条数据。
• 生成时要强制设定哪些变量取什么值。

由你把关

• 干预设定是否符合你研究里真实的干预场景，由你确认。
• 缺失机制的假设是否和你数据的真实缺失方式接近，由你判断。
• 采样方法和精度要求是否匹配、随机种子等设置是否报告，由你核对。

它会给你什么

• 在给定观察下，查询变量各种取值的概率分布。
• 最可能的状态组合。
• 每个变量各自的最优取值。

你需要准备

• 已经填好概率的概率图模型。
• 你想查询的变量。
• 你已经观察到的事实，比如某个变量取了什么值。

由你把关

• 用精确还是近似方法，是否匹配图的规模和你对精度的要求，由你决定。
• 变量的计算顺序是否合理，这会影响速度，由你检查。
• 采样次数、预热步数和随机种子是否报告、结果是否收敛，由你核对。

它会给你什么

• 学出来的变量关系图，可以接着填概率、做推理或因果查询。
• 部分方向定不下来的等价类图，留给你后续判断。
• 每个候选图的结构得分，方便比较。

你需要准备

• 一份数据表，列是变量名，离散或连续数据都行。
• 判断变量独立性的统计检验方法，要和数据类型匹配。
• 或给模型打分的方法，用来比较不同关系图的好坏。

由你把关

• 学出来的因果方向是否符合领域知识，定不下来的方向需要专家来定，由你确认。
• 独立性检验或打分方法是否匹配数据类型和样本量，由你核对。
• 显著性阈值、最多允许几个父节点等设置是否按领域调整，由你决定。

它会给你什么

• 两张图相差几条边的差距数值。
• 边的对照表，标出哪些边找对了、漏了、多画了或画反了。
• 图隐含的变量独立关系在数据里被支持或违背的统计结果。

你需要准备

• 和真实图对比时：需要已知的真实图和你学出来的图。
• 看数据支持时：需要数据、待验证的图和配套的独立性检验。
• 打分比较时：需要数据加上选定的评分方法。

由你把关

• 该用结构对比还是数据契合来验证，取决于你的验证目标，由你决定。
• 画错方向和漏边、多边是否同等严重，对应的惩罚设置是否合理，由你判断。
• 独立性检验是否匹配数据类型，由你核对。