使用 BIC 分数或通用分数的 GES

算法介绍

使用 BIC 分数 [1] 和通用分数 [2] 的贪婪等价搜索 (GES) 算法。

用法

from causallearn.search.ScoreBased.GES import ges

# default parameters
Record = ges(X)

# or customized parameters
Record = ges(X, score_func, maxP, 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(Record['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()


# or save the graph
pyd.write_png('simple_test.png')

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(Record[‘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: 您想要使用的评分函数，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”：使用交叉验证的通用分数，适用于单维变量数据 [2]。
“local_score_marginal_general”：使用边际似然的通用分数，适用于单维变量数据 [2]。
“local_score_CV_multi”：使用交叉验证的通用分数，适用于多维变量数据 [2]。
“local_score_marginal_multi”：使用边际似然的通用分数，适用于多维变量数据 [2]。

maxP: 搜索图时允许的最大父节点数量。默认值：None。

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

Record[‘G’]: 学到的因果图，其中 Record[‘G’].graph[j,i]=1 且 Record[‘G’].graph[i,j]=-1 表示 i –> j；Record[‘G’].graph[i,j] = Record[‘G’].graph[j,i] = -1 表示 i — j。
Record[‘update1’]: 前向步骤中的每次更新（插入操作符）。
Record[‘update2’]: 后向步骤中的每次更新（删除操作符）。
Record[‘G_step1’]: 前向步骤中学到的图在每个步骤中的状态。
Record[‘G_step2’]: 后向步骤中学到的图在每个步骤中的状态。
Record[‘score’]: 学到的图的评分。