提高贝叶斯因果网络预测精度的研究

Question

我想确定在热力学过程中产生意外结果(或无反应)的原因。我有相关变量的连续数据，并试图利用贝叶斯网络(BN)来确定因果关系。为此，我在Python中使用了一个名为“因果关系”的库。

我遵循了这个库的教程部分来构建DAG，BN模型，一切都很好，直到预测的步骤。少数/少多数类的预测精度在60-70%左右(在SMOTETomek/SMOTETomek和特定随机状态下为80%~ 90% )，而稳定精度则在90%以上。我已经实现了以下数据预处理步骤。

1. 确保不丢失/NaN值
2. 离散化(只有库支持它)
3. 用于数据平衡的SMOTE/SMOTETomek
4. 各种列车/测试尺寸组合

我正在努力找出优化模型的方法。我在互联网上也找不到同样的支持材料。

对于这个库/ BN模型，是否有任何数据预处理技术和数据集要求的指南或“最佳实践”？请您建议任何故障排除方法，以找出低精度/度量的原因吗？也许是DAG中一个被误解的节点-节点因果关系导致了平庸的准确性？

任何有关这方面的想法/文献/其他适当的图书馆都会有很大的帮助！

Answer 1

一些可以帮助你的小窍门：

1. 改变/调整结构学习。

• 尝试不同的阈值。在执行from_pandas时，您可以试验不同的w-threshold值(以及beta术语(如果使用from_pandas_lasso))。 这将改变网络的密度。更致密的结构意味着具有更多参数的BN。如果结构更密集，您有更多的参数，您的模型可能会表现得更好。但是，如果它太密集，您可能没有足够的数据来训练它，而且可能会过于合适。
• 以数据为中心。从经验上看，如果数据以中心为中心，NOTEARS (from_pandas背后的算法)似乎工作得最好。因此，减去看看这个的平均值可能是个好主意。
• 确保因果关系。NOTEARS不能保证因果关系。因此，我们需要“专家”来判断产出和作出必要的修改。如果您看到没有因果意义的边缘，您可以删除它们或添加它们作为tabu_edges，并再次训练您的网络。

1. 谨慎的实验。性能可能非常敏感于您如何离散数据。尝试各种类型的谨慎可以有所帮助。您可以使用：

• 方法可在因果关系(统一，例如)
• 修正了基于阈值对数据有意义的离散化
• MDLP是一种有监督的数据离散化方法。您可以为每个节点应用MDLP作为其子节点的“目标”。在pypy中有两个主要的MDLP包：mdlp和mdlp离散化