因果贝叶斯网络python代码

因果贝叶斯网络（Causal Bayesian Networks, CBNs）是一种用于建模复杂系统中变量之间因果关系的概率图模型。Python有一些库可以帮助我们处理CBNs，比如`pgmpy`。

以下是一个简单的例子，展示如何使用`pgmpy`库创建并学习因果贝叶斯网络（假设已经安装了`pgmpy`）：

from pgmpy.models import CausalBayesianNetwork
from pgmpy.factors.discrete import TabularCPD

# 创建节点和他们的概率表
parents = {'A': [], 'B': ['A'], 'C': ['A', 'B']}
cpd_A = TabularCPD('A', 2, [[0.5], [0.5]])  # A独立随机，0.5是0状态，0.5是1状态
cpd_B = TabularCPD('B', 2, [[0.7, 0.4], [0.3, 0.6]], evidence=['A'], evidence_card=[2])
cpd_C = TabularCPD('C', 2, [[0.8, 0.9, 0.1], [0.2, 0.1, 0.9]], evidence=['A', 'B'], evidence_card=[2, 2])

# 构造CBN模型
cbn_model = CausalBayesianNetwork([('A', []), ('B', ['A']), ('C', ['A', 'B'])])
cbn_model.add_cpds(cpd_A, cpd_B, cpd_C)

# 打印模型结构
print(cbn_model.get_structure())

# 学习模型（如果数据可用）
# data = ...  # 假设这是一个包含'A', 'B', 'C'变量的数据集
# cbn_model.fit(data)

# 进行推理，如条件概率P(C=1 | A=1, B=0)
query = cbn_model.query(['C'] | ['A=1', 'B=0'])
print(query['C'])