GRaSP

算法介绍

最稀疏置换的贪婪松弛 (GRaSP) 算法 [1]。

用法

from causallearn.search.PermutationBased.GRaSP import grasp

# default parameters
G = grasp(X)

# or customized parameters
G = grasp(X, score_func, depth, parameters)

# Visualization using pydot
from causallearn.utils.GraphUtils import GraphUtils
import matplotlib.image as mpimg
import matplotlib.pyplot as plt
import io

pyd = GraphUtils.to_pydot(G)
tmp_png = pyd.create_png(f="png")
fp = io.BytesIO(tmp_png)
img = mpimg.imread(fp, format='png')
plt.axis('off')
plt.imshow(img)
plt.show()

推荐使用 pydot 进行可视化 (用法示例)。如果需要特定的标签名称，请参考此用法示例 (例如，GraphUtils.to_pydot(G, labels=[“A”, “B”, “C”]))。

参数

X: numpy.ndarray, 形状 (n_samples, n_features)。数据，其中 n_samples 是样本数量，n_features 是特征数量。

score_func: 您想使用的分数函数，包括（参见score_functions）。默认值：‘local_score_BIC’。

“local_score_BIC”: BIC 分数 [3]。
“local_score_BDeu”: BDeu 分数 [4]。
“local_score_CV_general”: 使用交叉验证的单维变量数据的广义分数 [2]。
“local_score_marginal_general”: 使用边际似然的单维变量数据的广义分数 [2]。
“local_score_CV_multi”: 使用交叉验证的多维变量数据的广义分数 [2]。
“local_score_marginal_multi”: 使用边际似然的多维变量数据的广义分数 [2]。

parameters: 使用 CV 似然时需要。默认值：None。

parameters[‘kfold’]: k 折交叉验证。
parameters[‘lambda’]: 正则化参数。
parameters[‘dlabel’]: 对于多维变量，指示哪些维度属于第 i 个变量。

返回值

G: 学习到的通用图，其中 G.graph[j,i]=1 且 G.graph[i,j]=-1 表示 i –> j；G.graph[i,j] = G.graph[j,i] = -1 表示 i — j。