Suy luận mạng Bayes sử dụng pymc (Sự nhầm lẫn của người mới bắt đầu)

Tôi hiện đang tham gia khóa học PGM của Daphne Koller trên Coursera. Trong đó, chúng ta thường mô hình hóa Mạng Bayes như một biểu đồ hướng nguyên nhân và kết quả của các biến là một phần của dữ liệu được quan sát. Nhưng trên các hướng dẫn và ví dụ về PyMC tôi thường thấy rằng nó không hoàn toàn được mô hình hóa giống như PGM hoặc ít nhất là tôi bối rối. Trong PyMC, cha mẹ của bất kỳ biến thế giới thực nào được quan sát thường là các tham số của phân phối mà bạn sử dụng để mô hình hóa biến đó.

Bây giờ câu hỏi của tôi thực sự là một thực tế. Giả sử tôi có 3 biến mà dữ liệu được quan sát (A, B, C) (giả sử tất cả chúng là các biến liên tục chỉ vì lợi ích của nó). Từ một số kiến ​​thức về miền, người ta có thể nói rằng A và B gây ra C. Vì vậy, chúng ta có một BN ở đây - A, B là cha mẹ và C là con cái. bây giờ từ phương trình BN P (A, B, C) = P (C | A, B) * P (A) * P (B)

Tôi có thể nói A và B là một số phân phối bình thường với một số mu và sigma, nhưng làm thế nào để tôi mô hình P (C | A, B)? Ý tưởng chung tôi muốn tìm hiểu là làm thế nào để tôi học BN này bằng PyMC để tôi có thể truy vấn BN. Hoặc tôi phải tăng BN với các thông số của mô hình trong một số thời trang.

Là vấn đề này có thể giải quyết bằng cách sử dụng pymc? hoặc tôi có một số nguyên tắc cơ bản sai?

Bất kỳ trợ giúp sẽ được đánh giá cao!

Hãy xem một bài đăng trong Thuật toán lành mạnh: http://healthyalerskyms.com/2011/11/23/causal-modeling-in-python-bayesian-networks-in-pymc/

cũng trong tiveial của PyMC: http://pymc-devs.github.io/pymc/tutorial.html

Có thể bạn sẽ thử đoạn mã sau (giả sử bạn đã nhập pymc dưới dạng mc):

A = mc.Normal('A', mu_A, tau_A)
B = mc.Normal('B', mu_B, tau_B)
p_C = mc.Lambda('p_C', lambda A=A, B=B: <<dependency spec goes here>>, doc='Pr[C|AB]')
C = mc.Bernoulli('C', p_C)