إنشاء وتحليل شبكات بايزن باستخدام مكتبة pgmpy في لغة Python

هناك مكتبة Python المعروفة باسم "pgmpy" لإنشاء وتحليل شبكات بايزية (Bayesian Networks)، حيث تُعتبر pgmpy واحدة من المكتبات الشهيرة والقوية في مجال الاحتمالات والنمذجة الاحتمالية باستخدام الشبكات البايزية.

لتثبيت المكتبة استخدمي الأمر التالي:

pip install pgmpy

وسأوضح لك بمثال بسيط كيفية إنشاء شبكة بايزية باستخدام pgmpy:

from pgmpy.models import BayesianModel
from pgmpy.factors.discrete import TabularCPD

# إنشاء النموذج البايزي
model = BayesianModel([('A', 'B'), ('C', 'B')])

# إنشاء الجداول الاحتمالية الشرطية (Conditional Probability Distributions - CPDs)
cpd_a = TabularCPD(variable='A', variable_card=2, values=[[0.6], [0.4]])
cpd_c = TabularCPD(variable='C', variable_card=2, values=[[0.7], [0.3]])
cpd_b = TabularCPD(variable='B', variable_card=2, 
                   values=[[0.1, 0.2, 0.3, 0.4],
                           [0.9, 0.8, 0.7, 0.6]],
                   evidence=['A', 'C'], evidence_card=[2, 2])

# ربط الجداول الاحتمالية الشرطية مع النموذج
model.add_cpds(cpd_a, cpd_c, cpd_b)

# التحقق من صحة النموذج
model.check_model()

والمثال يبين كيفية إنشاء شبكة بايزية بثلاثة أجهزة (A و B و C)، وتعيين الاحتمالات المشروطة لكل جهاز، وباستطاعتك استكشاف المزيد من وظائف pgmpy للتحقق من القيود والحوسبة والرسم البياني للشبكة وغيرها الكثير، وعليك بالتعديل بالطبع بما يناسبك أنت.

بالطبعيمكن استخدام مكتبة PyMC3 في لغة Python لإنشاء وتحليل Bayesian Networks. فيما يلي مثال بسيط يستخدم مكتبة PyMC3 لإنشاء Bayesian Network لنموذج التشخيص الطبي البسيط:

import pymc3 as pm
import numpy as np

# تعريف البيانات
X = np.array([
    [1, 1, 0, 0, 0],
    [1, 1, 1, 0, 0],
    [0, 1, 1, 1, 0],
    [0, 0, 1, 1, 1],
    [0, 0, 0, 1, 1]
])

# تعريف النموذج
with pm.Model() as model:
    # تعريف المتغيرات
    a = pm.Bernoulli('a', p=0.5)
    b = pm.Bernoulli('b', p=0.5)
    c = pm.Bernoulli('c', p=0.5)
    d = pm.Bernoulli('d', p=0.5)
    e = pm.Bernoulli('e', p=0.5)
    
    # تحديد العلاقات البينية بين المتغيرات
    ab = pm.Deterministic('ab', a & b)
    bc = pm.Deterministic('bc', b & c)
    cd = pm.Deterministic('cd', c & d)
    de = pm.Deterministic('de', d & e)
    
    # تحديد النموذج
    obs = pm.Bernoulli('obs', p=de, observed=X[:,4])
    
    # تحديد الخوارزمية المستخدمة للتحليل
    trace = pm.sample(10000)

في هذا المثال، تم تعريف Bayesian Network بسيط يحتوي على متغيرات عشوائية بيرنولي (Bernoulli) وعلاقات بينها. ثم تم تحديد النموذج باستخدام PyMC3 وتحليل النموذج باستخدام خوارزمية العينة العشوائية MCMC (Markov Chain Monte Carlo).

تم تحديد النموذج بحيث يكون المتغير e هو المراد التنبؤ به، وذلك عن طريق تحديد العلاقات البينية بين المتغيرات وتحديد المتغير النهائي المراد تنبؤه. في هذا المثال، تم تحديد المتغير e باعتباره المتغير النهائي المراد تنبؤه، وتم تحليل النموذج باستخدام خوارزمية MCMC للحصول على توزيع الاحتمالات الشاملة (posterior distribution) للمتغير e.

بمجرد الحصول على توزيع الاحتمالات الشاملة للمتغير e، يمكن استخدامه لإجراء تنبؤات حول قيم المتغير e بناءً على البيانات المتاحة.

كما توجد مكتبات أخرى مثل

• PyBN
• pgmpy
• BayesPy
• OpenBayes