在循环中使用 bnlearn 函数“cpquery”答案

【问题标题】：Using bnlearn Function "cpquery" Within a Loop在循环中使用 bnlearn 函数“cpquery”
【发布时间】：2013-10-16 03:16:06
【问题描述】：

我正在尝试使用 bnlearn package 来计算条件概率，但在循环中使用 "cpquery" 函数时遇到了问题。我使用包中包含的数据创建了一个示例，如下所示。在循环中使用 cpquery 函数时，函数无法识别在循环中创建的变量（示例中的“evi”）。我收到错误：

Error in parse(text = evi) : object 'evi' not found

“evi”的创建步骤基于作者提供的示例。

您能提供的任何帮助都会很棒。我急切地想找到一种可以将 cpquery 函数应用于大量观察的方法。

library(bnlearn)
data(learning.test)
fitted = bn.fit(hc(learning.test), learning.test)

bn.function <- function(network, evidence_data) {
  a <- NULL
  b <- nrow(evidence_data)
  for (i in 1:b) {
    evi <- paste("(", names(evidence_data), "=='",
               sapply(evidence_data[i,], as.character), "')",
               sep = "", collapse = " & ")
    a[i] <- cpquery(network, (C=='c'), eval(parse(text=evi)))
  }
  return(a)
}

test <- bn.function(fitted, learning.test)

提前致谢！

【问题讨论】：

我已经与 bnlearn 包的作者联系，我收到的错误似乎是由于 cpquery 函数的范围问题。当我能够让 cpquery 函数在用户定义函数的 outside 构造的 for 循环中正常工作时，这一点很明显，但是当相同的 for 循环是在用户定义函数的内部中使用。
我在循环中遇到了与 cpquery 类似的问题，一个对我有用的快速解决方法是在 cpquery 调用之前包含一行 evi <<- evi。这定义了全局环境中的变量。
我想你的问题在这里解决了：stackoverflow.com/questions/44676501/…

标签： r probability bayesian-networks

【解决方案1】：

我觉得问题在于您在证据和事件中使用相同的变量。 Learning.test 包含“C”变量的值。然后我们试图将 C 预测为事件。也许使用不包括 C 的原始数据集的子集就可以了

【讨论】：

您能否提供示例代码以了解其工作原理？

【解决方案2】：

为避免范围问题，您可以推迟对eval 的调用，并在cpquery 函数内部执行此操作。如果您直接将evi（字符变量）传递给cpquery，然后在定义中对其进行解析，则环境链将移位，cpquery 将可以访问evi。

您可以使用m.cpquery <- edit(cpquery) fork 您自己的函数版本，并在其开头插入以下行：

evidence = parse(text = evidence)

然后保存您的新函数。

所以m.cpquery 的标题将如下所示：

> m.cpquery
function (fitted, event, evidence, cluster = NULL, method = "ls", 
    ..., debug = FALSE) 
{
    evidence = parse(text = evidence)
    check.fit(fitted)
    check.logical(debug)
...

现在你可以像以前一样在你自己的函数中使用m.cpquery，除了我们将纯字符变量传递给它：

a[i] <- m.cpquery(network, (C=='c'), evi)

注意m.cpquery的第一行，我们只解析了证据字符变量，并没有调用eval。 cpquery 是conditional.probability.query 的前端（参见here），我们依赖conditional.probability.query 对eval 的后续调用。

我应该说这是一个相当丑陋的解决方法。它仅在您使用 逻辑采样 (method='ls') 时有效。但如果您想使用似然加权，check.mutilated.evidence 函数会引发错误。我没有检查过在调用 eval 表达式之前注入它是否会导致后续错误的混乱导致地狱。

【讨论】：

【解决方案3】：

我不知道这是由于错误修复还是仅仅因为我尝试了另一种方法 - 无论如何，如果您在 cpquery 函数之外迭代地构建证据列表，则循环工作。

通过一个名为 evidenceData 的列表进行迭代的示例，其中包含所有肯定的证据：

for(i in names(evidenceData)){
  loopEvidenceList <- list()
  loopEvidenceList[[i]] <- "TRUE"
  a =cpquery(fitted = bayesNet, event = queryNode == "TRUE", 
             evidence = loopEvidenceList, method = "lw", n = 100000)
  print(a)
  }

根据获得证据的方式，您可能需要对“loopEvidenceList”进行更复杂的准备，但一旦准备好，它就可以正常工作。

【讨论】：