pgmpy 是一个用于因果推理和概率推理的 Python 包，使用有向无环图（DAGs）和贝叶斯网络，重点在于模块化和可扩展性。提供了各种算法的实现，包括因果发现（也称为结构学习）、参数估计、近似（基于采样）和精确推理，以及因果推理。

pgmpy 中用于有向无环图（DAGs）和贝叶斯网络（BNs）的可能工作流程。

支持的数据类型

	偶然发现	参数估计	因果推断	概率推断
分类	是	是	是	是
连续的	是	是	是（部分）	是
混合	是（仅限PC）	否	否	否
时间序列	否	是	是 (ApproximateInference)	是

算法

因果发现 / 结构学习	参数估计	概率推断	因果推断
带有变体的PC	最大似然	变量消除	执行操作
贪婪等价搜索(GES)	贝叶斯估计器	信念传播	调整集
爬山搜索	期望最大化（EM）	MPLP
专家在环		采样方法
树搜索
最大最小爬山算法
穷举搜索

示例

示例笔记本： https://pgmpy.org/examples.html

教程笔记本： https://pgmpy.org/tutorial.html

引用

如果您在科学工作中使用了pgmpy，请考虑引用我们：

Ankan, Ankur, Abinash, Panda. "pgmpy: Probabilistic Graphical Models using Python." Proceedings of the Python in Science Conference. SciPy, 2015.

Bibtex:

@inproceedings{Ankan2015,
  series = {SciPy},
  title = {pgmpy: Probabilistic Graphical Models using Python},
  ISSN = {2575-9752},
  url = {http://dx.doi.org/10.25080/Majora-7b98e3ed-001},
  DOI = {10.25080/majora-7b98e3ed-001},
  booktitle = {Proceedings of the Python in Science Conference},
  publisher = {SciPy},
  author = {Ankan,  Ankur and Panda,  Abinash},
  year = {2015},
  collection = {SciPy}
}

索引和表格

• 索引

• 模块索引

• 搜索页面