采用matlab的貝葉斯工具箱BNT完成以下“過勞死”問題的模組化。
使用BNT工具箱中的貝葉斯結構、參數學習指令。
(t=ture; f=false)
參數學習代碼：
%進階人工智能%
%BNT的參數學習%
N=5; %四個節點分别是國家政策C,學校政策U,工作壓力大W,身體狀況差B，過勞死D
dag=zeros(N,N); %網絡連接配接矩陣初始化
C=1;U=2;W=3;B=4;D=5; %初始化節點順序
dag(C,U)=1; %定義節點之間的連接配接關系
dag(U,[W B])=1;
dag(W,D)=1;
dag(B,D)=1;
discrete_nodes=1:N; %離散節點
node_sizes=2*ones(1,N); %節點狀态數
%建立網絡架構
bnet=mk_bnet(dag,node_sizes,'names',{'國家政策(C)','學校政策(U)','工作壓力大(W)','身體狀況差(B)','過勞死(D)'},'discrete',discrete_nodes);
%手工構造條件機率CPT表
bnet.CPD{C} = tabular_CPD(bnet,C,[0.5 0.5]);
bnet.CPD{U} = tabular_CPD(bnet,U,[0.95 0.01 0.05 0.99]);
bnet.CPD{W} = tabular_CPD(bnet,W,[0.9 0.05 0.1 0.95]);
bnet.CPD{B} = tabular_CPD(bnet,B,[0.3 0.01 0.7 0.99]);
bnet.CPD{D} = tabular_CPD(bnet,D,[0.335 0.3 0.05 0 0.665 0.7 0.95 1]);
%畫出建立好的貝葉斯網絡
figure
draw_graph(dag)
%手動構造樣本資料samples：
nsamples=20000;
samples=cell(N,nsamples);
for i=1:nsamples
samples(:,i)=sample_bnet(bnet);
end
data=cell2num(samples);
bnet2 = mk_bnet(dag,node_sizes,'discrete',discrete_nodes);
%手動構造條件機率表cpt
seed=0;
rand('state',seed);
bnet2.CPD{C}=tabular_CPD(bnet2,C);
bnet2.CPD{U}=tabular_CPD(bnet2,U);
bnet2.CPD{W}=tabular_CPD(bnet2,W);
bnet2.CPD{B}=tabular_CPD(bnet2,B);
bnet2.CPD{D}=tabular_CPD(bnet2,D);
%手動構造得到的樣本作為訓練集代入learn_params()函數進行學習
bnet3=learn_params(bnet2,data);
%檢視學習後的參數
CPT3=cell(1,N);
for i=1:N
s=struct(bnet3.CPD{i});
CPT3{i}=s.CPT;
end
fprintf('輸出學習後的過勞死節點參數：\n');
dispcpt(CPT3{5});
%檢視原來節點參數後的參數
CPT=cell(1,N);
for i=1:N
s=struct(bnet.CPD{i});
CPT{i}=s.CPT;
end
fprintf('輸出真實的過勞死節點參數：\n');
dispcpt(CPT{5});
運作結果：
ans =
0.4500 0.5500 0.2833 0.6167 0.5500
輸出學習後的過勞死節點參數：
1 1 : 0.3233 0.6767
2 1 : 0.2458 0.7542
1 2 : 0.0488 0.9512
2 2 : 0.0000 1.0000
輸出真實的過勞死節點參數：
1 1 : 0.3350 0.6650
2 1 : 0.3000 0.7000
1 2 : 0.0500 0.9500
2 2 : 0.0000 1.0000
結構學習代碼：
N=5;%四個節點分别是國家政策C,學校政策U,工作壓力大W,身體狀況差B，過勞死D
dag=zeros(N,N);%網絡連接配接矩陣初始化
C=1;U=2;W=3;B=4;D=5;%初始化節點順序
dag(C,U)=1;%定義節點之間的連接配接關系
dag(U,[W B])=1;
dag(W,D)=1;
dag(B,D)=1;
discrete_nodes=1:N;%離散節點
node_sizes=2*ones(1,N);%節點狀态數
%建立網絡架構
bnet=mk_bnet(dag,node_sizes,'names',{'國家政策(C)','學校政策(U)','工作壓力大(W)','身體狀況差(B)','過勞死(D)'},'discrete',discrete_nodes);
%手工構造條件機率CPT表
bnet.CPD{C} = tabular_CPD(bnet,C,[0.5 0.5]);
bnet.CPD{U} = tabular_CPD(bnet,U,[0.95 0.01 0.05 0.99]);
bnet.CPD{W} = tabular_CPD(bnet,W,[0.9 0.05 0.1 0.95]);
bnet.CPD{B} = tabular_CPD(bnet,B,[0.3 0.01 0.7 0.99]);
bnet.CPD{D} = tabular_CPD(bnet,D,[0.335 0.3 0.05 0 0.665 0.7 0.95 1]);
%畫出建立好的貝葉斯網絡
% figure
% draw_graph(dag)
%手動構造樣本資料samples：
nsamples=2000;
samples=cell(N,nsamples);
for i=1:nsamples
samples(:,i)=sample_bnet(bnet);
end
data=cell2num(samples);
%結構學習
order=[1 2 3 4 5]; % 節點次序
ns=[2 2 2 2 2]; % 節點屬性值的個數
max_fan_in=2; % 最大父節點數目
dag2 = learn_struct_K2(data,ns,order,'max_fan_in',max_fan_in);
bnet2=mk_bnet(dag2,node_sizes,'names',{'國家政策(C)','學校政策(U)','工作壓力大(W)','身體狀況差(B)','過勞死(D)'},'discrete',discrete_nodes);
%手工構造條件機率CPT表
bnet2.CPD{C} = tabular_CPD(bnet2,C,[0.5 0.5]);
bnet2.CPD{U} = tabular_CPD(bnet2,U,[0.95 0.01 0.05 0.99]);
bnet2.CPD{W} = tabular_CPD(bnet2,W,[0.9 0.05 0.1 0.95]);
bnet2.CPD{B} = tabular_CPD(bnet2,B,[0.3 0.01 0.7 0.99]);
bnet2.CPD{D} = tabular_CPD(bnet2,D,[0.335 0.3 0.05 0 0.665 0.7 0.95 1]);
figure
draw_graph(dag); %畫出建立好的貝葉斯網絡
CPT2=cell(1,N);
for i=1:N
s=struct(bnet2.CPD{i});
CPT2{i}=s.CPT;
end
fprintf('輸出結構學習之後過勞死節點參數：\n');
dispcpt(CPT2{5});
運作結果：
輸出結構學習之後過勞死節點參數：
1 1 : 0.3350 0.6650
2 1 : 0.3000 0.7000
1 2 : 0.0500 0.9500
2 2 : 0.0000 1.0000