贝叶斯网络分析器Skill bayesian-network-analyzer

---

name: bayesian-network-analyzer description: 用于概率推理、因果分析和信念更新的贝叶斯网络构建与推断技能 alowed-tools:

• Read
• Write
• Glob
• Grep
• Bash metadata: specialization: 决策智能 domain: 商业 category: 定量分析 priority: medium tools-libraries:
  • pgmpy
  • pomegranate
  • bnlearn
  • pyAgrum

---

贝叶斯网络分析器

概述

贝叶斯网络分析器技能提供了构建、分析和使用贝叶斯网络进行推理的综合能力。它支持在不确定性下进行概率推断、因果效应估计和基于新证据的信念更新，从而辅助数据驱动的决策制定。

能力

• 从数据中学习有向无环图结构
• 估计条件概率表
• 信念传播与推理
• 因果效应估计
• 证据敏感性分析
• 假设情景评估
• 网络可视化
• 与外部数据源集成

使用流程

• 结构化决策制定流程
• 预测分析实施
• 决策质量评估
• 认知偏差消除流程

使用方法

网络结构定义

# 定义网络结构
network_structure = {
    "nodes": [
        {"name": "市场状况", "states": ["有利", "不利"]},
        {"name": "竞争对手行动", "states": ["激进", "保守"]},
        {"name": "产品成功", "states": ["高", "中", "低"]}
    ],
    "edges": [
        {"from": "市场状况", "to": "产品成功"},
        {"from": "竞争对手行动", "to": "产品成功"}
    ]
}

条件概率表

# 定义条件概率表
cpts = {
    "市场状况": {"有利": 0.6, "不利": 0.4},
    "竞争对手行动": {"激进": 0.3, "保守": 0.7},
    "产品成功": {
        # P(成功 | 市场, 竞争对手)
        ("有利", "保守"): {"高": 0.7, "中": 0.2, "低": 0.1},
        ("有利", "激进"): {"高": 0.4, "中": 0.4, "低": 0.2},
        ("不利", "保守"): {"高": 0.3, "中": 0.4, "低": 0.3},
        ("不利", "激进"): {"高": 0.1, "中": 0.3, "低": 0.6}
    }
}

推理查询

支持的推理类型：

• 边缘概率：P(产品成功 = 高)
• 条件概率：P(产品成功 = 高 | 市场状况 = 有利)
• 最可能解释：argmax P(所有变量 | 证据)
• 最大后验概率：argmax P(查询 | 证据)

结构学习

使用以下方法从数据中学习网络结构：

• 基于约束的方法（PC算法，FCI）
• 基于评分的方法（爬山法，K2）
• 混合方法（MMHC）

因果分析

• 识别因果关系与相关关系
• 使用do-演算计算因果效应
• 分析混杂与中介效应

输入模式

{
  "network": {
    "nodes": ["object"],
    "edges": ["object"],
    "cpts": "object"
  },
  "query": {
    "type": "marginal|conditional|mpe|map",
    "target_variables": ["string"],
    "evidence": "object"
  },
  "options": {
    "inference_algorithm": "variable_elimination|belief_propagation|sampling",
    "structure_learning": "boolean",
    "visualize": "boolean"
  }
}

输出模式

{
  "query_result": {
    "probabilities": "object",
    "most_likely_state": "string",
    "confidence": "number"
  },
  "causal_effects": "object",
  "sensitivity": {
    "influential_parameters": ["string"],
    "robustness_score": "number"
  },
  "visualization_path": "string"
}

最佳实践

1. 验证有向无环图结构的无环性
2. 确保每个父节点配置的条件概率表概率总和为1.0
3. 使用领域知识指导结构学习
4. 根据已知的因果关系验证学习到的结构
5. 对不确定的概率估计进行敏感性分析
6. 记录概率评估背后的假设

集成点

• 与决策树构建器连接，用于集成决策分析
• 支持蒙特卡洛引擎进行基于抽样的推理
• 为决策可视化提供网络图
• 与因果推理引擎集成，用于高级因果分析