# insall necessary libraries:
# pip install sklearn pandas tqdm funcsigs pgmpy statsmodels community
# pip install networkx==v1.11
# pip install matplotlib==2.2.3
# link to library info:
# https://pypi.org/project/bnlearn/
import bnlearn as bnlearn
import pandas as pd
# Read the dataframe with the structure to be learned
df = pd.read_csv("X_train_TopLocCust_balanced_allFeatures_pk_non_numeric.csv")
print(df)
model = bnlearn.structure_learning(df)
G = bnlearn.plot(model)
# Rounding off the data and converting it to Integer
combined_data_descrete = round(combined_data).astype(int)
# Bayesian network
# Loading the Banknote dataset containing mixed variables
df_raw = combined_data_descrete
# Structure learning
DAG = bnlearn.structure_learning.fit(df_raw, methodtype='hc',scoretype='bic')
# Plot
G = bnlearn.plot(DAG)
print(df_raw)
# Parameter learning
model = bnlearn.parameter_learning.fit(DAG, combined_data_descrete )
bnlearn.print_CPD(model)
# Print CPDs
bnlearn.print_CPD(model)
# Make inference
q = bnlearn.inference.fit(model, variables=['Class'], evidence={'V1': 10, 'V2': 2})
print(q.values)
print(q.variables)
print(q._str())
def Aprendizaje(model, fold, tipo, score):
""" Aprendizaje de estructura y parámetros de BNLEARN en Python
Descripción
-----------
Encapsula el aprendizaje de estructura y el aprendizaje de parámetros (probabilidad anterior).
El aprendizaje de la estructura es guardado en un archivo CSV y el DAG aprendido es renderizado y guardado en un
archivo PDF en la carpeta \Experimentos con el nombre "EstructuraCPD_'tipo'_fold.gv.pdf"
Parámetros
----------
model: recibe un dataframe con los la información a aprender
fold : Valor númerico que indica el cross-validation del cual se está solicitando el aprendizaje
tipo : Indicador del tipo de datos del que se desa aprender. Valores posibles:
a. "TRAIN"
b. "TEST"
score : Tipo de score a utilizar para el aprendizaje de la estructura
a. "bic" -> Bayesian Information Criterion (Tambien llamado MDL)
b. "k2" ->
c. "bdeu" -> (DB) Bayesian Dirichlet, (e) for likelihood-equivalence, (u) for uniform joint distibution
Retorna
-------
Retorna un modelo aprendido "dict"
"""
# -------------------------------------------------------------------
# APRENDIENDO LA ESTRUCTURA DE UNA PORCION DE DATOS DE TRAIN O TEST -
# -------------------------------------------------------------------
modelo = bn.structure_learning.fit(model,
methodtype='hc',
scoretype=score,
verbose=3)
# modelo = bn.structure_learning.fit(model, methodtype='hc', scoretype=score, verbose=3, bw_list_method = 'enforce', black_list = ['programa', 'estado'])
# Guardando la estructura estructura aprendida
nombreArchivo = 'EstructuraCPD_' + tipo + '_' + str(fold)
nombreArchivoExt = 'Experimentos\\' + nombreArchivo + '.gv'
f = Digraph(name=nombreArchivo,
filename=nombreArchivoExt,
format='pdf',
engine='dot',
encoding="utf-8")
# Obteniendo la matriz de Source y Target del modelo
vector = bn.adjmat2vec(modelo['adjmat'])
col = []
# Se recorre el la matriz para obtener todas las columnas que esta matriz posee
for columna in vector: # recorriendo las columnas
if columna in ('weight'):
continue
else:
for fila in vector.index: # recorriendo las filas
col.append(vector[columna][fila])
# Se lista la lista dejando solo valores únicos
vectorUnique = list(set(col))
# Asignando los nodos de la estructura aprendida
f.attr('node', shape='circle')
for x in range(len(vectorUnique)):
f.node(vectorUnique[x])
# Asignando los arcos de la estructura aprendida
edges = modelo['model'].edges()
f.attr('node', shape='circle')
for edge in edges:
xfrom = edge[0]
xto = edge[1]
f.edge(xfrom, xto)
# f.view()
f.save()
f.render(filename=nombreArchivoExt, view=False, cleanup=1)
# Guardando la estructura aprendida
vector = modelo['adjmat']
vector = bn.adjmat2vec(vector)
vector.to_csv("Experimentos\EstructuraCPD_" + tipo + "_" + str(fold) +
".csv",
sep=";")
G = bn.plot(modelo, verbose=0)
# -------------------------------------------------------------------------
# APRENDIENDO LOS PARAMETROS DEL MODELO RECIEN APRENDIDO DE SU ESTRUCTURA -
# -------------------------------------------------------------------------
modelo = bn.parameter_learning.fit(modelo, model, verbose=1)
# Convertiendo a BayesianModel para guardar los parametros aprendidos
if isinstance(modelo, dict):
model1 = modelo['model']
filename = "Experimentos\ParametrosCPD_" + tipo + "_" + str(fold) + ".txt"
if os.path.exists(filename):
file = open(filename, "a")
else:
file = open(filename, "w")
for cpd in model1.get_cpds():
file.write("CPD of {variable}:".format(variable=cpd.variable) + "\n")
file.write(str(cpd) + os.linesep)
file.close()
# Muestra como queda la red bayesiana con la porción de los datos entrenados y los parametros aprendidos
G = bn.plot(modelo, verbose=0)
return modelo
# %%
import bnlearn as bn
print(bn.__version__)
print(dir(bn))
# %%
dir(bn.structure_learning)
# %%
# Example dataframe sprinkler_data.csv can be loaded with:
df = bn.import_example()
# df = pd.read_csv('sprinkler_data.csv')
model = bn.structure_learning.fit(df)
G = bn.plot(model)
# %% Load example dataframe from sprinkler
df = bn.import_example('sprinkler')
# Structure learning
model = bn.structure_learning.fit(df)
# Plot
G = bn.plot(model)
model_hc_bic = bn.structure_learning.fit(df, methodtype='hc', scoretype='bic')
# %% Try all methods vs score types
model_hc_bic = bn.structure_learning.fit(df, methodtype='hc', scoretype='bic')
model_hc_k2 = bn.structure_learning.fit(df, methodtype='hc', scoretype='k2')
model_hc_bdeu = bn.structure_learning.fit(df,
methodtype='hc',
scoretype='bdeu')
model_ex_bic = bn.structure_learning.fit(df, methodtype='ex', scoretype='bic')
# %%
import bnlearn as bn
print(bn.__version__)
print(dir(bn))
# %%
print(dir(bn.structure_learning))
print(dir(bn.parameter_learning))
print(dir(bn.inference))
# %%
# Example dataframe sprinkler_data.csv can be loaded with:
df = bn.import_example()
# df = pd.read_csv('sprinkler_data.csv')
model = bn.structure_learning.fit(df)
G = bn.plot(model)
# %% Load example dataframe from sprinkler
DAG = bn.import_DAG('sprinkler', verbose=0)
df = bn.sampling(DAG, n=1000, verbose=0)
# Structure learning
model = bn.structure_learning.fit(df, verbose=0)
# Plot
G = bn.plot(model)
model_hc_bic = bn.structure_learning.fit(df, methodtype='hc', scoretype='bic', verbose=0)
# %% Load example dataframe from sprinkler
df = bn.import_example('sprinkler', verbose=0)
# Structure learning
def grafico_modelo(modelo):
bn.plot(modelo)
