Библиотека для байесовских сетей

Привет, помощники номерного знака

Как говорится в заголовке, я ищу библиотеку для обучения и вывода Bayesian Networks. Я уже нашел некоторые, но я надеюсь на рекомендацию.

Требования в кратком обзоре:

  • желательно написанный на Java или Python Конфигурация
  • (также самой сети): a) возможна и b) возможна через код (и не только через GUI).
  • доступен исходный код
  • проект по-прежнему поддерживается
  • Чем мощнее, тем лучше

Какой из них вы рекомендуете?

Ответы

Ответ 1

Посмотрите Weka. Это как бы популярно на моей шее в лесу... Это с открытым исходным кодом и написано на Java.

Это расскажет вам о байесовских сетях в Weka, из реферата:

  • Структура обучения байесовских сети, использующие различные подъемники (K2, B и т.д.) И общего назначения (имитированный отжиг, поиск табу) алгоритмы.
  • Локальные показатели реализованы; Bayes, BDe, MDL, энтропия, AIC.
  • Показатели глобальной оценки реализованы; оставить один из cv, k-fold cv и cumulative cv.
  • Условный независимое основополагающее причинное восстановление доступный алгоритм.
  • Параметры оценки с использованием прямых оценок и Усреднение по байесовской модели.
  • GUI для легкий осмотр байесовских сетей.

Ответ 2

Итак, здесь я даю свой субъективный ответ.

Из моего опыта все, что связано с статистикой, лучше всего решать с R. Я часто это видел, что в полях, связанных с статистикой, R имеет большинство библиотек и очень часто самые современные алгоритмы/методы.

Большинство программистов, таких как я, любят оставаться на языках, которые они знают, и изучать что-то новое - это компромисс, главным образом потому, что это требует много времени.

Итак, если изучение нового языка является жизнеспособным вариантом, R - хороший выбор, на мой взгляд лучший.

Кратко взгляните на библиотеки R, связанные с байесовскими сетями и байесовскими помехами.

Baysian: http://cran.r-project.org/web/views/Bayesian.html

Графические модели: http://cran.r-project.org/web/views/gR.html

Машиноведение: http://cran.r-project.org/web/views/MachineLearning.html

Основные преимущества R:
- простая установка библиотеки: install.packages( "RWeka" )
- формат и стиль справки одинаковы для всех библиотек
- если вы знаете R, легко переключаться с одной библиотеки на другую. Поэтому легко протестировать все доступные библиотеки, а затем использовать тот, который лучше всего подходит

Ответ 3

Никогда не использовал его, но, возможно, библиотека MALLET соответствует счету?