基于MATLAB的貝葉斯網(wǎng)絡(BNT)工具箱的使用與實例

基于MATLAB的BNT工具箱的使用與實例工具箱的安裝下載FullBNT.zip文件。解壓文件。編輯"FullBNT/BNT/add_BNT_to_path.m"讓它包含正確的工作路徑。BNT_HOME='FullBNT的工作路徑';打開Matlab。運行BNT需要Matlab版本在V5.2以上。鍵入"add_BNT_to_path"，執(zhí)行這個命令。添加路徑。添加所有的文件夾在Matlab的路徑下。鍵入"test_BNT"，看看運行是否正常，這時可能產(chǎn)生一些數(shù)字和一些警告信息。（你可以忽視它）但是沒有錯誤信息?；贛ATLAB的BNT工具箱的使用與實例

CreatingyourfirstBayesnet

創(chuàng)建你的第一個貝葉斯網(wǎng)絡網(wǎng)絡結(jié)構(gòu)（structure）節(jié)點數(shù)量節(jié)點間關(guān)系節(jié)點大小與類型建立貝葉斯網(wǎng)絡參數(shù)（parameters）條件概率分布CPD最簡單的是CPT：條件概率表圖形可視化繪制有向圖推理聯(lián)合樹引擎（junctiontreeengine）精確推斷的根本計算邊緣分布計算聯(lián)合分布網(wǎng)絡結(jié)構(gòu)（structure）節(jié)點數(shù)量節(jié)點間關(guān)系節(jié)點大小與類型建立貝葉斯網(wǎng)絡N=4；%節(jié)點為4父節(jié)點子節(jié)點1→2,32→43→4Dag=zeros(N,N);dag(1,[23])=1;dag(2,4)=1;dag(3,4)=1;節(jié)點類型：discrete_nodes=1:4;節(jié)點大?。簄ode_sizes=[2,2,2,2];節(jié)點均有兩個取值：F&Tbnet=mk_bnet(dag,node_sizes,‘names’,{‘C’,‘S’,‘R’,‘W’},‘discrete’,discrete_nodes，)當然，也可以進行簡寫,將節(jié)點大小和類型與貝葉斯網(wǎng)的建立整合：bnet=mk_bnet(dag,[2,2,2,2],‘names’,{‘C’,‘S’,‘R’,‘W’},‘discrete’,1:4)參數(shù)（parameters）條件概率分布CPD最簡單的是CPT：條件概率表Tabularnodes列表節(jié)點Noisy-ornodes布爾型神經(jīng)網(wǎng)絡節(jié)點根節(jié)點高斯節(jié)點（連續(xù)分布）廣義線性模型節(jié)點確定型多層次離散型等CPT，conditionalprobabilitytables,是作為多為數(shù)組存儲的。注意：子節(jié)點，通常是最后一維；

在MATLAB中，數(shù)組索引從1開始，按照慣例false（假）==1,true（真）==2例如：節(jié)點w最后一維創(chuàng)建條件概率表CPT=zeros(2,2,2);CPT(1,1,1)=1.0；CPT(2,1,1)=0.1;……CPT(2,2,2)=0.99;

CPT=reshape([1,0.1,0.1···0.99]，[2,2,2]);利用tabular_CPDbnet.CPD{C}=tabular_CPD(bnet,C,[0.50.5]);

bnet.CPD{R}=tabular_CPD(bnet,R,[0.80.20.20.8]);

bnet.CPD{S}=tabular_CPD(bnet,S,[0.50.90.50.1]);

bnet.CPD{W}=tabular_CPD(bnet,W,[10.10.10.0100.90.90.99]);Draw_graph(dag)繪制圖形推理（Inference）

貝葉斯網(wǎng)絡中有許多不同的算法來作為推斷的的工具，在速度、復雜性、普遍性和精確性上有不同的表現(xiàn)。BNT因此提供了多種多樣的不同的推斷引擎。聯(lián)合樹引擎-所有精確推斷引擎的根本jtree_inf_engine調(diào)用方法：engine=jtree_inf_engine(bnet);推理計算：回到上面，我們已經(jīng)建立了一個關(guān)于草地濕潤的例子。灑水器和下雨均可能打濕草坪，現(xiàn)在計算灑水器導致草地濕潤的概率。題目中，證據(jù)為草地濕潤即，W=2。后面楊海濱同學會做詳細介紹。evidence=cell(1,N);evidence{W}=2;%證據(jù)為W=2[engine,loglik]=enter_evidence(engine,evidence);%把證據(jù)添加進引擎marg=marginal_nodes(engine,S);%指定計算S的概率分布marg.T；%計算P(S=1|W=2)與P(S=2|W=2)marg.T(2);%計算P(S=2|W=2)的邊緣概率當然，證據(jù)也可以是多維數(shù)組。marg=marginal_nodes(engine,[SRW]);%指定計算SRW的聯(lián)合概率分布,也就是P(S,R,W)。無證據(jù)情況下結(jié)果為：ans(:,:,1)=0.29000.04100.02100.0009ans(:,:,2)=00.36900.18900.0891Evidence（R）=2；marg.T;有證據(jù)情況下結(jié)果為：ans(:,:,1)=0.08200.0018ans(:,:,2)=0.73800.1782dag=zeros(4,4);dag(1,[23])=1;dag(2,4)=1;dag(3,4)=1;draw_graph(dag);bnet=mk_bnet(dag,[2,2,2,2],'names',{'C',’S',’R',’W'},'discrete',1:4);bnet.CPD{C}=tabular_CPD(bnet,C,[0.50.5]);bnet.CPD{R}=tabular_CPD(bnet,R,[0.80.20.20.8]);bnet.CPD{S}=tabular_CPD(bnet,S,[0.50.90.50.1]);bnet.CPD{W}=tabular_CPD(bnet,W,[10.10.10.0100.90.90.99]);engine=jtree_inf_engine(bnet);evidence=cell(1,4);[engine,loglik]=enter_evidence(engine,evidence);marg=marginal_nodes(engine,[RSW]);marg.T;網(wǎng)絡結(jié)構(gòu)參數(shù)推理參數(shù)學習從完整的數(shù)據(jù)中進行最大似然參數(shù)估計：還是以濕草坪為例：首先，我們用正向采樣創(chuàng)建一些訓練數(shù)據(jù)。samples=cell(N,nsamples);fori=1:nsamplessamples(:,i)=sample_bnet(bnet);Enddata=cell2num(samples);然后，Makeatabularasabnet2=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);接著，查找最大似然估計的參數(shù)bnet3=learn_params(bnet2,samples);最后，為了查看學習后的參數(shù)，我們可以用下面的方法：CPT3=cell(1,N);fori=1:Ns=struct(bnet3.CPD{i});%violateobjectprivacyuhuiCPT3{i}=s.CPT;學習了節(jié)點4的參數(shù)：dispcpt(CPT3{4})Samples=20,50,100時，節(jié)點4的參數(shù)越來越接近真實值原概率表參數(shù)學習

如果有數(shù)據(jù)，就不需要手動獲取樣本，只需要將數(shù)據(jù)加載即可。加載數(shù)據(jù)進行參數(shù)學習：先將剛剛得到的樣本保存為datatest.txt參數(shù)學習data=load('datatest.txt');samples=data';bnet2=……dispcpt（EM–數(shù)據(jù)缺失情況學習結(jié)果：CPT4{1}=

0.46700.5330

CPT4{2}=

0.46160.53840.94950.0505CPT4{3}=0.89580.10420.19370.8063CPT4{4}=(:,:,1)=1.00000.10370.09150.0010(:,:,2)=00.89630.90850.9990手動建立簡單的貝葉斯網(wǎng)絡---調(diào)用的函數(shù)有：mk_bnettabular_CPDjtree_inf_engine參數(shù)學習---完整數(shù)據(jù)下的最大似然估計、數(shù)據(jù)缺失下EM算法

簡單的樣本訓練、數(shù)據(jù)加載及學習

1、MATLAB學習：下載了MATLAB教程課件，邊敲代碼邊記筆記，更加細致地學習了變量及數(shù)組相關(guān)內(nèi)容2、本周已初步掌握貝葉斯工具箱的使用：能夠?qū)﹄x散型數(shù)據(jù)進行參數(shù)學習與推理。3、銀行個人客戶數(shù)據(jù)的測試工作遇到問題：客戶數(shù)據(jù)中有連續(xù)型、離散型兩種，目前未能對連續(xù)型數(shù)據(jù)進行處理。此外離散型數(shù)據(jù)中有，如日期（1-30號）、月份（1-12號），年齡（最小18，最大87），通話時長（最短4s，最長3500s）等，如此數(shù)據(jù)應不能直接用MATLAB測試，就算可以直接測試，效果肯定也不理想，需要進行數(shù)據(jù)預處理?；仡櫷评恚↖nference）BNT提供了多種多樣的不同的推斷引擎。聯(lián)合樹算法：jtree_inf_engine變量消元算法：var_elim_inf_engine全局推理算法：

enumerative_inf_engine,gaussian_inf_engine,andcond_gauss_inf_engine快速打分算法：quickscore_inf_engine采樣算法：likelihood_weighting_inf_engine、gibbs_sampling_inf_engine調(diào)用方法：所有推理算法的調(diào)用都相同：engine=jtree_inf_engine(bnet);%指定引擎[engine,loglik]=enter_evidence(engine,evidence);%添加證據(jù)marg=marginal_nodes(engine,S);%指定需要計算的節(jié)點marg.T；顯示結(jié)果推理舉例貝葉斯網(wǎng)絡精確推理:計算P(S=2|W=2)的概率var_eli