Wnioskowanie sieci bayesowskiej za pomocą pymc (zamieszanie początkującego)

Obecnie biorę kurs PGM prowadzony przez Daphne Koller na Coursera. W tym celu generalnie modelujemy Sieć Bayesowską jako ukierunkowany na przyczynę i efekt wykres zmiennych, które są częścią obserwowanych danych. Ale na samouczkach i przykładach PyMC ogólnie widzę, że nie jest to modelowane tak samo jak PGM, a przynajmniej jestem zdezorientowany. W PyMC rodzice każdej obserwowanej zmiennej świata rzeczywistego są często parametrami rozkładu używanymi do modelowania zmiennej.

Teraz moje pytanie jest naprawdę praktyczne. Załóżmy, że mam 3 zmienne, dla których dane są obserwowane (A, B, C) (załóżmy, że są to zmienne ciągłe tylko ze względu na to). Z pewnej wiedzy w dziedzinie można powiedzieć, że A i B powodują C. Więc mamy tutaj BN - A, B to rodzice, a C to dzieci. teraz z równania BN P (A, B, C) = P (C | A, B) * P (A) * P (B)

Mogę powiedzieć, że A i B to jakieś normalne rozkłady z pewnym mu i sigma, ale jak modelować P (C | A, B)? Ogólny pomysł, którego chcę się nauczyć, polega na tym, jak nauczyć się tego BN za pomocą PyMC, aby móc wysłać zapytanie do BN. A może muszę w jakiś sposób uzupełnić BN o parametry modelu.

Czy ten problem można rozwiązać za pomocą pymc? czy też popełniłem błędy w podstawach?

Każda pomoc będzie mile widziana!

Spójrz na post w Zdrowym Algorytmie: http://healthyalgorithms.com/2011/11/23/causal-modeling-in-python-bayesian-networks-in-pymc/

także w totorial PyMC: http://pymc-devs.github.io/pymc/tutorial.html

Może wypróbujesz następujący klip kodu (zakładając, że zaimportowałeś pymc jako mc):

A = mc.Normal('A', mu_A, tau_A)
B = mc.Normal('B', mu_B, tau_B)
p_C = mc.Lambda('p_C', lambda A=A, B=B: <<dependency spec goes here>>, doc='Pr[C|AB]')
C = mc.Bernoulli('C', p_C)