В настоящее время я прохожу курс PGM Дафни Коллер на Coursera. При этом мы обычно моделируем байесовскую сеть как причинно-следственный ориентированный график переменных, которые являются частью наблюдаемых данных. Но в учебниках и примерах PyMC я обычно вижу, что он не совсем смоделирован так же, как PGM, или, по крайней мере, я запутался. В PyMC родителями любой наблюдаемой переменной реального мира часто являются параметры распределения, которые вы используете для моделирования переменной.
Теперь мой вопрос действительно практический. Предположим, у меня есть 3 переменные, для которых наблюдаются данные (A, B, C) (давайте предположим, что все они являются непрерывными переменными только ради этого). Из некоторого знания предметной области можно сказать, что A и B вызывают C. Итак, у нас есть BN - A, B - родители, а C - дети. Теперь из уравнения BN P (A, B, C) = P (C | A, B) * P (A) * P (B)
Я могу сказать, что A и B - это некоторые нормальные распределения с некоторыми мю и сигмой, но как мне моделировать P (C | A, B)? Основная идея, которую я хочу изучить, состоит в том, как узнать этот BN с помощью PyMC, чтобы я мог запросить BN. Или мне нужно каким-то образом дополнить BN параметрами модели.
Эта проблема решаема с помощью pymc? или я неправильно понял некоторые основы?
Любая помощь будет оценена!