维护者 | Soren Hojsgaard |
联系方式 | sorenh at math.aau.dk |
版本 | 2023-04-05 |
URL | https://CRAN.R-project.org/view=GraphicalModels |
源代码 | https://github.com/cran-task-views/GraphicalModels/ |
贡献 | 欢迎对本任务视图提出建议和改进,可以通过 GitHub 上的问题或拉取请求,或通过电子邮件发送给维护者地址。有关更多详细信息,请参阅 贡献指南。 |
引用 | Soren Hojsgaard (2023). CRAN 任务视图:图形模型。版本 2023-04-05。URL https://CRAN.R-project.org/view=GraphicalModels。 |
安装 | 可以使用 ctv 包自动安装本任务视图中的软件包。例如,ctv::install.views("GraphicalModels", coreOnly = TRUE) 安装所有核心软件包,或 ctv::update.views("GraphicalModels") 安装所有尚未安装和更新的软件包。有关更多详细信息,请参阅 CRAN 任务视图计划。 |
维基百科 说
图形模型或概率图形模型 (PGM) 或结构化概率模型是一种概率模型,其中一个图表达了随机变量之间的条件依赖结构。它们通常用于概率论、统计学(特别是贝叶斯统计学)和机器学习中。
补充观点是,图形模型基于利用条件独立性来构建具有模块化结构的复杂随机模型。也就是说,一个复杂的随机模型是由更简单的构建块组成的。
本任务视图是旨在提供 R 代码来处理图形模型的软件包集合。
请注意,结构方程模型 (SEM) 软件包在某种意义上也是图形模型。但是,SEM 软件包没有在此处介绍,而是在 心理测量学 任务视图中拥有自己的部分。
这些软件包可以大致分为以下主题(尽管其中一些软件包的功能跨越了这些类别)
abn (已归档): 使用加性贝叶斯网络对多变量数据建模。加性贝叶斯网络模型由一种 DAG 形式组成,其中每个节点包含一个广义线性模型 (GLM)。加性贝叶斯网络模型等效于使用图形建模的贝叶斯多元回归,它将通常的多元回归 (GLM) 扩展到多个因变量。'abn' 提供例程来帮助确定给定数据集的最佳贝叶斯网络模型,这些模型用于识别混乱、复杂数据中的统计依赖关系。
SEMID: 线性结构方程模型的可识别性。提供例程来检查线性结构方程模型的可识别性或不可识别性,如 Drton、Foygel 和 Sullivant (2011) doi:10.1214/10-AOS859、Foygel、Draisma 和 Drton (2012) doi:10.1214/12-AOS1012 以及其他著作中所述。这些例程基于结构方程模型的图形表示。
BDgraph: 基于出生-死亡 MCMC 方法的贝叶斯图选择。无向图模型中结构学习的贝叶斯推断。主要目标是揭示多元数据中的复杂模式,其中包含连续或离散变量。
deal: 学习具有混合变量的贝叶斯网络。可以从数据中学习和比较具有连续和/或离散变量的贝叶斯网络。
FBFsearch: 通过矩分数贝叶斯因子搜索高斯有向无环图模型空间的算法
GeneNet: 基因网络建模和推断。GeneNet 是一个用于分析基因表达(时间序列)数据的包,重点关注基因网络的推断。
gRc: 带有边和顶点对称性的图形高斯模型中的推断。估计、模型选择以及图形高斯模型中带有边和顶点对称性(带颜色的图形高斯模型)的统计推断的其他方面。
gRim: 图形交互模型。提供以下类型的模型:
lvnet: 潜在变量网络建模。使用 OpenMx 估计、拟合和比较结构方程模型 (SEM) 和网络模型(高斯图形模型;GGM)。允许两种可能的概括,将 GGM 包含在 SEM 中:GGM 可以用于潜在变量之间(潜在网络建模;LNM)或残差之间(残差网络建模;RNM)。
MXM: 特征选择(包括多个解决方案)和贝叶斯网络。
networkDynamic: 网络对象的动态扩展。简单的接口例程,便于处理具有复杂时态数据的网络对象。“networkDynamic” 是用于网络分析的“statnet” 包套件的一部分。
ndtv: 网络动态时间可视化。将来自“networkDynamic” 对象的动态网络数据渲染为电影、交互式动画或其他表示不断变化的关系结构和属性的表示。
spectralGraphTopology: 该软件包提供估计器,通过对拉普拉斯矩阵和邻接矩阵的特征值和特征向量施加谱约束,从数据中学习 k-分量、二分和 k-分量二分图。这些估计器利用图形模型的谱特性作为先验信息,这些信息在无监督机器学习任务(如社区检测)中起着关键作用。
bnlearn: 基于约束(也称为“条件独立性”)和基于评分的算法的贝叶斯网络结构学习。该软件包实现了 Grow-Shrink (GS) 算法、Incremental Association (IAMB) 算法、Interleaved-IAMB (Inter-IAMB) 算法、Fast-IAMB (Fast-IAMB) 算法、Max-Min Parents and Children (MMPC) 算法和 Hill-Climbing (HC) 贪婪搜索算法,用于离散和高斯网络,以及许多评分函数和条件独立性检验。还包括一些实用程序函数(模型比较和操作、随机数据生成、弧方向测试)。
RHugin: Hugin Decision Engine (HDE) 是由 HUGIN EXPERT A/S 生产的商业软件,用于构建和从贝叶斯信念网络中进行推理。RHugin 软件包提供了一套函数,允许从 R 统计计算环境中控制 HDE。因此,RHugin 软件包可用于构建贝叶斯信念网络、输入和传播证据以及检索信念。此外,RHugin 软件包可以读取和写入 hkb 和 NET 文件,从而可以轻松地同时使用 RHugin 软件包和 Hugin GUI。RHugin 软件包需要 HDE 的许可副本(或试用版)才能运行,因此该软件包的目标受众是希望利用 R 的统计和编程功能的 Hugin 用户。注意:RHugin 不在 CRAN 上。链接:http://rhugin.r-forge.r-project.org/
pchc 贝叶斯网络学习,使用 PCHC 及相关算法。使用 PCHC 算法进行贝叶斯网络学习。PCHC 代表 PC 爬山算法,这是一种新的混合算法,它使用 PC 来构建 BN 的骨架,然后应用爬山贪婪搜索。