前言

在今天給大家介紹一個研究工具：pomegranate。它比其他軟件包更加靈活，更快，直觀易用，并且可以在多線程中并行完成。

The API

主要模型介紹一般混合模型

隱馬爾可夫模型

貝葉斯網絡

貝葉斯分類器

所有模型使用做多的方法

model.log_probability(X) / model.probability(X)

model.sample()

model.fit(X, weights, inertia)

model.summarize(X, weights)

model.from_summaries(inertia)

model.predict(X) model.predict_proba(X)

model.predict_log_proba(X)

model.from_samples(X, weights)

支持很多分布函數單變量分布

1. UniformDistribution

2. BernoulliDistribution

3. NormalDistribution

4. LogNormalDistribution

5. ExponentialDistribution

6. BetaDistribution

7. GammaDistribution

8. DiscreteDistribution

9. PoissonDistribution

內核密度

1. GaussianKernelDensity

2. UniformKernelDensity

3. TriangleKernelDensity

多變量分布

1. IndependentComponentsDistribution

2. MultivariateGaussianDistribution

3. DirichletDistribution

4. ConditionalProbabilityTable

5. JointProbabilityTable

模型可以從已知值中創建

模型也可以從數據直接學習

pomegranate 比 numpy 快

只需要一次數據集(適用于所有模型)。以下是正態分布統計示例：

支持核心學習

由于使用了足夠多的統計數據，因此可以支持外核/在線學習。

pomegranate 比 scipy 快

The API

主要模型介紹一般混合模型

隱馬爾可夫模型

貝葉斯網絡

貝葉斯分類器

通用混合模型(GMM)可以對多組分布進行建模

GMM使用期望最大化(EM)來擬合

1、使用kmeans ++或kmeans ||初始化集群

2、對于等于后P(M | D)(E步)的所有點分配權重

3、使用加權點更新分布(M步)

4、重復2和3，直到收斂

model = GeneralMixtureModel.from_samples(NormalDistribution, 2, X)

GMM不限于高斯分布

單個指數分布不能很好的數據進行建模

model = ExponentialDistribution.from_samples(X)

兩個指數混合使數據更好的模擬

model = GeneralMixtureModel.from_samples(ExponentialDistribution, 2, X)

Heterogeneous mixtures are natively supported

model = GeneralMixtureModel.from_samples([ExponentialDistribution, UniformDistribution], 2, X)

一般混合模型比sklearn快

The API

主要模型介紹一般混合模型

隱馬爾可夫模型

貝葉斯網絡

貝葉斯分類器

CG enrichment detection HMM

GACTACGACTCGCGCTCGCGCGACGCGCTCGACATCATCGACACGACACTC

GMM-HMM

HMM比hmmlearn快

The API

主要模型介紹一般混合模型

隱馬爾可夫模型

貝葉斯網絡

貝葉斯分類器

P(M|D)= P(D|M)P(M) / P(D)

Posterior = Likelihood * Prior / Normalization

基于數據建立一個簡單的分類器

似然函數本身忽略了類不平衡

先驗概率可以模擬分類不平衡

后驗模型更真實地對原始數據進行建模

后者的比例是一個很好的分類器

model = NaiveBayes.from_samples(NormalDistribution, X, y)

posteriors = model.predict_proba(idxs)

P(M|D)= ∏P(D|M) P(M) / P(D)

Posterior = Likelihood * Prior / Normalization

Naive Bayes does not need to be homogenous

不同的功能屬于不同的分布

Gaussian Naive Bayes: 0.798

sklearn Gaussian Naive Bayes: 0.798

Heterogeneous Naive Bayes: 0.844

與sklearn一樣快

P(M|D)= P(D|M) P(M) / P(D)

Posterior = Likelihood * Prior / Normalization

mc_a = MarkovChain.from_samples(X[y == 0])

mc_b = MarkovChain.from_samples(X[y == 1])

model_b = BayesClassifier([mc_a, mc_b], weights=numpy.array([1-y.mean(), y.mean()]))

hmm_a = HiddenMarkovModel…

hmm_b = HiddenMarkovModel...

model_b = BayesClassifier([hmm_a, hmm_b], weights=numpy.array([1-y.mean(), y.mean()]))

bn_a = BayesianNetwork.from_samples(X[y == 0])

bn_b = BayesianNetwork.from_samples(X[y == 1])

model_b = BayesClassifier([bn_a, bn_b], weights=numpy.array([1-y.mean(), y.mean()]))

并行

總結

以上是生活随笔為你收集整理的python贝叶斯网络预测模型_高效灵活的概率建模方法基于Python的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。