基于MATLAB的贝叶斯网络(BNT)工具箱的使用与实例

tabul等ar_CPD(bnet, S, [0.5 0.9 0.5 0.1]);
bnet.CPD{W} =
tabular_CPD(bnet, W, [1 0.1 0.1
0.01 0 0.9 0.9 0.99]);
Draw_graph(dag) 绘制图形
推理（Inference）
贝叶斯网络中有许多不同的算法来作为推断的的工具，在速度、复 杂性、普遍性和精确性上有不同的表现。BNT因此提供了多种多样的不 同的推断引擎。
结构学习
结构学习举例：
使用K2算法，对根据wetgrass例子的CPD生成随机数列，进 行结构学习，建立贝叶斯网络图。 见：wetgrassdata.txt ; K2_wetgrassdata文件
推理（Inference）
BNT提供了多种多样的不同的推断引擎。 • 联合树算法：jtree_inf_engine • 变量消元算法：var_elim_inf_engine • 全局推理算法： enumerative_inf_engine, gaussian_inf_engine, and
cond_gauss_inf_engine • 快速打分算法：quickscore_inf_engine • 采样算法：likelihood_weighting_inf_engine、gibbs_sampling_inf_engine • 调用方法：所有推理算法的调用都相同：
网络结构
bnet=mk_bnet(dag,[2,2,2,2],'name s',{'C',’S',’R',’W'},'discrete', 1:4);
bnet.CPD{C} = tabular_CPD(bnet,C,[0.5 0.5]) ; bnet.CPD{R} = tabular_CPD(bnet,R,[0.8 0.2 0.2 0.8]); bnet.CPD{S} = tabular_CPD(bnet,S,[0.5 0.9 0.5 0.1]); bnet.CPD{W} = tabular_CPD(bnet,W,[1 0.1 0.1 0.01 0 0.9 0.9 0.99]);
– engine = jtree_inf_engine(bnet);%指定引擎 – [engine, loglik] = enter_evidence(engine, evidence);% 添加证据 – marg = marginal_nodes(engine, S);%指定需要计算的节点 – marg.T；显示结果
• 节点数量 • 节点间关系 • 节点大小与类型 • 建立贝叶斯网络
参数 （parameters）
• 条件概率分布CPD • 最简单的是CPT： 条件概率表
图形可视化
• 绘制有向图
推理
• 联合树引擎 （junction tree engine） • 精确推断的根本
• 计算边缘分布 • 计算联合分布
网络结构 （structure）
Matlab的路径下。 • 键入"test_BNT"，看看运行是否正常，这时可能产生一些数字和一些警告信
息。（你可以忽视它）但是没有错误信息。
基于MATLAB的BNT工具箱的使用与实例
Creating your first Bayes net 创建你的第一个贝叶斯网络
网络结构 （structure）
后面杨海滨同学会做详细介绍。
– evidence = cell(1,N); – evidence{W} = 2;%证据为W=2 – [engine, loglik] = enter_evidence(engine, evidence);% 把证据添
加进引擎
– marg = marginal_nodes(engine, S);%指定计算S的概率分布 – marg.T；%计算 P(S=1|W=2)与 P(S=2|W=2) – marg.T(2);%计算P(S=2|W=2)的边缘概率
节点数量 节点间关系 节点大小与类型
N=4；%节点为4 父节点 子节点 1→ 2,3 2→ 4
建立贝叶斯网络
3→ 4 Dag=zeros(N,N);
dag(1,[2 3]) = 1;
节点均有两个 取值：F&T
dag(2,4) = 1; dag(3,4)=1;
节点类型： discrete_nodes=1:4;
然后， Make a tabula rasa
bnet2 = mk_bnet(dag, node_sizes); seed = 0; rand('state', seed); bnet2.CPD{C} = tabular_CPD(bnet2, C); bnet2.CPD{R} = tabular_CPD(bnet2, R); bnet2.CPD{S} = tabular_CPD(bnet2, S); bnet2.CPD{W} = tabular_CPD(bnet2, W);
3、银行个人客户数据的测试工作遇到问题：客户数据中有连续型、离散型两种，目前未能对连 续型数据进行处理。此外离散型数据中有，如日期（1-30号）、月份（1-12号），年龄（最小 18，最大87），通话时长（最短4s，最长3500s）等，如此数据应不能直接用MATLAB测试， 就算可以直接测试，效果肯定也不理想，需要进行数据预处理。
当然，证据也可以是多维数组。 marg = marginal_nodes(engine, [S R W]); %指定计算S R W 的联合概率 分布,也就是P(S,R,W)。
无证据情况下结果为： ans(:,:,1) =
0.2900 0.0410 0.0210 0.0009 ans(:,:,2) =
学习了节点4的参数：
dispcpt(CPT3{4}) Samples=20,50,100时， 节点4的参数越来越接近真实值
原概率 表
参数学 习
如果有数据，就不需要手动获取样本，只需要 将数据加载即可。
• 加载数据进行参数学习：
– 先将刚刚得到的样本保存为datatest.txt
• 参数学习
– data = load('datatest.txt'); – samples=data'; – bnet2= …… dispcpt（
CPT，conditional probability tables,是作 为பைடு நூலகம்为数组存储的。
神经网络节点
CPT=reshape([1,0.1,0.1···0.99]
注意：子节点，通常是最后一维；
，[根2,2节,2点]);
在MATLAB中，数组索引从1开始，
按照惯例false（假）==1, true（真）==2 例如：节点w
• 联合树引擎-所有精确推断引擎的根本
– jtree_inf_engine
• 调用方法：
– engine = jtree_inf_engine(bnet);
• 推理计算：
– 回到上面，我们已经建立了一个关于草地湿润的例子。洒水器和 下雨均可能打湿草坪，现在计算洒水器导致草地湿润的概率。
– 题目中，证据为草地湿润即，W=2。
基于MATLAB的BNT工具箱的 使用与实例
工具箱的安装
• 下载FullBNT.zip文件。解压文件。 • 编辑"FullBNT/BNT/add_BNT_to_path.m"让它包含正确的工作路径。 • BNT_HOME = 'FullBNT的工作路径'; • 打开Matlab。 • 运行BNT需要Matlab版本在V5.2以上。 • 键入"add_BNT_to_path"，执行这个命令。添加路径。添加所有的文件夹在
0 0.3690 0.1890 0.0891
Evidence（R）=2；marg.T; 有证据情况下结果为：
ans(:,:,1) = 0.0820 0.0018
ans(:,:,2) = 0.7380 0.1782
dag=zeros(4,4); dag(1,[2 3])=1; dag(2,4)=1; dag(3,4)=1; draw_graph(dag);
推理举例
• 贝叶斯网络精确推理:计算P(S=2|W=2) 的概率
var_elim_inf_engine为变量消元法, jtree_inf_engine为联合树推理（团树传播法） 见inference1.
• 贝叶斯网络近似推理:计算P(S=2|W=2) 的概率
likelihood_weighting_inf_engine 为重要性抽要推理 见inference2.
engine = jtree_inf_engine(bnet); evidence = cell(1,4); [engine, loglik] = enter_evidence(engine, evidence); marg = marginal_nodes(engine, [R S W]); marg.T;
• 参数（parameters）
创建条件概率表 CPT = zeros(2,2,2);
条件概率分布CPD
CPT(1,1,1) = 1.0； CPTTa(b2u,1la,1r )n=od0e.s1;列表节点
• 最简单的是CPT：条件概率表
…… CPNTo(2is,2y-,o2r) n=o0d.e9s9;布尔型
0 0.8963 0.9085 0.9990
回顾
手动建立简单的贝叶斯网络---调用的函数有：mk_bnet tabular_CPD jtree_inf_engine 参数学习---完整数据下的最大似然估计、数据缺失下EM算法 简单的样本训练、数据加载及学习
1、MATLAB学习：下载了MATLAB教程课件，边敲代码边记笔记，更加细致地学习了变量及数 组相关内容 2、本周已初步掌握贝叶斯工具箱的使用：能够对离散型数据进行参数学习与推理。