R包bnlearn: cpquery vs预测-不同的结果？

Question

我想使用我的贝叶斯网络作为分类器，首先是完整证据数据(predict)，但也是不完整数据(bnlearn::cpquery)。但似乎，即使使用相同的证据，函数也会给出不同的结果(不仅仅是基于采样造成的轻微偏差)。

有了完整的数据，就可以很容易地使用R的predict函数：

predict(object = BN,
        node = "TargetVar",
        data = FullEvidence ,
        method = "bayes-lw",
        prob = TRUE)

通过分析prob属性，我了解到predict-function只选择具有最高概率的因子级别。

当涉及到不完整的证据(只知道某些节点的结果)时，predict不再工作：

    Error in check.fit.vs.data(fitted = fitted, 
                               data = data, 
                               subset = setdiff(names(fitted),  : 
    required variables [.....] are not present in the data.` 

因此，我想使用带有已知证据列表的bnlearn::cpquery：

cpquery(fitted = BN, 
        event = TargetVar == "TRUE", 
        evidence = evidenceList, 
        method = "lw",
        n = 100000)

同样，我只想使用概率最高的因子作为预测。因此，如果cpquery的结果高于0.5，我将预测设置为TRUE，否则设置为FALSE。

我试图通过给两个函数提供相同的(完整的)数据来监控这个过程，但它们没有给我返回相同的结果。

做这件事的“正确”方法是什么？只使用cpquery，也可以处理完整的数据？为什么会有很大的差异？

谢谢你的帮忙!

Answer 1

正如user20650所说，增加预测呼叫中的样本数量是获得非常相似结果的解决方案。所以只需在函数调用中提供参数n = ...即可。

当然这是有道理的，我只是不知道predict()函数中的这个参数。在bn.fit utilities中没有关于它的文档，在predict的非常通用的文档中也没有。