Bayesian Netzwerke mit dem Catnet-Paket: Umgang mit fehlenden Daten

Question

Ich bin neu in dieser Gemeinschaft, r, und Programmierung im Allgemeinen. (Vielen Dank im Voraus für Ihre Geduld!) Ich arbeite an einem Projekt, das bayesianische Netzwerke beinhaltet.

Straße zu der Frage. Der folgende Code auf dieser Seite als Antwort auf eine Frage gestellt wurde dem Titel „NA/NaN-Werte in bnlearn Paket R“

rm(list=ls()) 

### generate random data (not simply independent binomials) 
set.seed(123) 
n.obs <- 10 
a1 <- rbinom(n.obs,1,.3) 
a2 <- runif(n.obs) 
a3 <- floor(-3*log(.25+3*a2/4)) 
a3[a3>=2] <- NA 
a2 <- floor(2*a2) 
my.data <- data.frame(a1,a2,a3) 
### discretize data into proper categories 
my.data <- cnDiscretize(my.data,numCategories=2) 

my.data 
## a1 a2 a3 
## 1 1 2 1 
## 2 2 1 2 
## 3 1 2 1 
## 4 2 2 2 
## 5 2 1 NA 
## 6 1 2 1 
## 7 1 1 NA 
## 8 2 1 NA 
## 9 1 1 NA 
## 10 1 2 1 

## say we want a2 conditional on a1,a3 

## first generate a network with a1,a3 ->a2 
cnet <- cnNew(
     nodes = c("a1", "a2", "a3"), 
     cats = list(c("1","2"), c("1","2"), c("1","2")), 
     parents = list(NULL, c(1,3), NULL) 
    ) 


## set the empirical probabilities from data=my.data 
cnet2 <- cnSetProb(cnet,data=my.data) 

## to get the conditional probability table 
cnProb(cnet2,which='a2') 

##$a2 
##   a1  a3   0   1 
## A 0.0000000 0.0000000 0.0000000 1.0000000 
## B 0.0000000 1.0000000 0.5712826 0.4287174 
## A 1.0000000 0.0000000 0.0000000 1.0000000 
## B 1.0000000 1.0000000 0.5685786 0.4314214 

Allerdings, wenn ich kopieren, einfügen und führen Sie den Code, den ich ein anderes Ergebnis erhalten (siehe unten) .

rm(list=ls()) 

### generate random data (not simply independent binomials) 
set.seed(123) 
n.obs <- 10 
a1 <- rbinom(n.obs,1,.3) 
a2 <- runif(n.obs) 
a3 <- floor(-3*log(.25+3*a2/4)) 
a3[a3>=2] <- NA 
a2 <- floor(2*a2) 
my.data <- data.frame(a1,a2,a3) 
### discretize data into proper categories 
my.data <- cnDiscretize(my.data,numCategories=2) 

my.data 
## a1 a2 a3 
## 1 1 2 1 
## 2 2 1 2 
## 3 1 2 1 
## 4 2 2 2 
## 5 2 1 NA 
## 6 1 2 1 
## 7 1 1 NA 
## 8 2 1 NA 
## 9 1 1 NA 
## 10 1 2 1 

## say we want a2 conditional on a1,a3 
## first generate a network with a1,a3 ->a2 
cnet <- cnNew(
    nodes = c("a1", "a2", "a3"), 
    cats = list(c("1","2"), c("1","2"), c("1","2")), 
    parents = list(NULL, c(1,3), NULL) 
    ) 


## set the empirical probabilities from data=my.data 
cnet2 <- cnSetProb(cnet,data=my.data) 

## to get the conditional probability table 
cnProb(cnet2,which='a2') 
## $a2 
## a1 a3 1 2 
## A 1.0 1.0 0.0 1.0 
## B 1.0 2.0 0.5 0.5 
## A 2.0 1.0 0.5 0.5 
## B 2.0 2.0 0.5 0.5 

Könnte jemand erklären, warum meine Ergebnisse anders sind? Ich frage, weil ich versuche zu verstehen, wie Catnet fehlende Daten behandelt.

Best,

John

Answer 1

Die oben/unten Code identisch sind - sie sollten die gleichen Ergebnisse ausgegeben. Ich überprüfte die catnet Funktionen für andere Pakete, die die gleiche Funktion verwenden - könnte Ihr Problem sein. Es empfiehlt sich, bei Nicht-Basisfunktionen die Notation :: zu verwenden.

rm(list=ls()) 
library(catnet) 

### generate random data (not simply independent binomials) 
set.seed(123) 
n.obs <- 10 
a1 <- rbinom(n.obs,1,.3) 
a2 <- runif(n.obs) 
a3 <- floor(-3*log(.25+3*a2/4)) 
a3[a3>=2] <- NA 
a2 <- floor(2*a2) 
my.data <- data.frame(a1,a2,a3) 
### discretize data into proper categories 
my.data <- catnet::cnDiscretize(my.data,numCategories=2) 

my.data 
## a1 a2 a3 
## 1 1 2 1 
## 2 2 1 2 
## 3 1 2 1 
## 4 2 2 2 
## 5 2 1 NA 
## 6 1 2 1 
## 7 1 1 NA 
## 8 2 1 NA 
## 9 1 1 NA 
## 10 1 2 1 

## say we want a2 conditional on a1,a3 

## first generate a network with a1,a3 ->a2 
cnet <- catnet::cnNew(
    nodes = c("a1", "a2", "a3"), 
    cats = list(c("1","2"), c("1","2"), c("1","2")), 
    parents = list(NULL, c(1,3), NULL) 
) 


## set the empirical probabilities from data=my.data 
cnet2 <- catnet::cnSetProb(cnet,data=my.data) 

## to get the conditional probability table 
catnet::cnProb(cnet2,which='a2') 

# $a2 
# a1 a3 1 2 
# A 1.0 1.0 0.0 1.0 
# B 1.0 2.0 0.5 0.5 
# A 2.0 1.0 0.5 0.5 
# B 2.0 2.0 0.5 0.5