谁能推荐一个用 Python 实现的贝叶斯信念网络分类器，它可以根据描述多个相互关联对象的一系列事实的稀疏网络的输入生成信念概率？
例如鉴于 FOL 中表述的事实“X 饿了，是一只猴子，正在吃东西”，如下所示：
isHungry(x) ^ isMonkey(x) ^ eats(x,y)
以及训练语料库，例如：
isHungry(a) ^ isMonkey(a) ^ eats(a,b) => true
isHungry(b) ^ ~isMonkey(b) ^ eats(b,c) => true
isMonkey(d) ^ eats(d,e) => true
isMonkey(f) ^ eats(f,g) => false
isMonkey(h) ^ ~eats(h,i) => true
isBanana(j) ^ ~eats(j,k) => true
我想在语料库上训练贝叶斯信念网络，并用它来估计事实的信念概率。
注意，我是not谈论朴素贝叶斯文本分类器。
The Python 贝叶斯网络工具箱 http://sourceforge.net/projects/pbnt.berlios/将是一个很好的起点。
此外，还有一个更通用的贝叶斯推理工具包，名为bayespy http://bayespy.org/.
Hth.
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
