Progetto sull'apprendimento della struttura di reti Bayesiane per l'esame di Intelligenza Artificiale.
I riferimenti a fonti esterne possono essere consultati nel file Structure_Learning_in_Bayesian_Network.pdf.
Per riprodurre i test effettuati sarà sufficente eseguire il codice contenuto nel file Main.py, nella sezione omonima di questo file viene descritto in particolare la signature dei metodi chiamati.
Breve descrizione dei vari file di progetto:
Questo file si occupa della generazione della rete Bayesiana e della sua matrice di adiacenza partendo da un modello.
In questo caso viene utilizzato il modello Alarm contenuto nel file Earthquake.py.
In questa sezione del programma viene generato un dataset pseudocasuale.
La classe omonima a questo file prende in input un oggetto di tipo BayesianNet e un numero di casi da generare.
Il metodo get_prob si occupa di ritornare la probabilità che un evento si verifichi, in funzione del verificarsi o meno dei nodi da cui tale evento dipende.
La funzione dfs si occupa dell'ordinamento topologico dei nodi della rete, in modo da impedire che un nodo venga analizzato prima dei suoi padri.
Contiene il modello utilizzato per il test del codice.
Alarm è un modello molto utilizzato nell'ambito delle reti Bayesiane.
Il file principale per l'eseguzione del programma.
È possibile notare l'uso delle istanze necessarie al funzionamento del programma.
L'apprendimento della struttura viene calcolato 1000 volte su dataset della dimentione di 150 righe, in modo da non appesantire i calcoli all'interno del metodo k2.
Signatures dei metodi chiamati per eseguire il test di funzionamento:
BayesianNet(): ritorna un istanza di rete Bayesiana.Dataset(bn, num_cases): prende in input una rete bayesiana e un numero di test da effettuare, restituisce in output un oggetto di tipo Dataset da cui è possibile recuperare la matrice del dataset accedendo al campo.datasetdell'oggetto.k2(data.dataset, data.ordered_array, 2): prende in input la matrice del dataset, una lista di nodi ordinati topologicamente, e un upper bound che identifica il numero massimo di padri che può avere ogni nodo. Rende in output la matrice di adiacenza del dag appreso.
Si occupa di identificare i campi del nodo:
.name: nome del nodo..value: identificativo univoco..pi: insieme dei padri nel nodo..cpt: vettore delle probabilità condizionate..domain_values: dominio dei valori ammissibili per il nodo nel dataset..color: colore, utile per l'ordinamento topologico..f: tempo di fine scoperta, utile per l'ordinamento topologico.
Il cuore del progetto.
Implementa la funzione k2 per l'apprendimento della struttura: prendendo in input un dataset, un array contenente i nodi della rete, un upper_bound che identifica il numero massimo di padri che ogni nodo può avere.
Il metodo k2 ritorna un dag che rappresenta la struttura appresa, idealmente dovrebbe coincidere con la matrice di adiacenza del modello scelto; in pratica tale algoritmo non è perfetto e può riportare alcuni archi in eccesso e/o in difetto.