贝叶斯结构学习MCMC方法集的实现连续数据和离散数据的有向非循环图(DAG)。为了提高效率对较大的DAG进行推理,根据数据对DAG的空间进行修剪。要筛选在搜索空间中,该算法采用混合方法,结合基于约束的通过搜索和得分学习。缩小的搜索空间最初是根据通过PC算法获得的骨架,然后使用搜索和评分。然后按照以下两种方法进行搜索和评分:订购MCMC或分区MCMC。针对连续数据实施BGe评分,并实施BDe评分用于二进制数据或分类数据。该算法可以提供最大后验概率给定数据后验分布的(MAP)图或样本(DAG的集合)。所有算法也适用于动态贝叶斯网络的结构学习和采样。参考文献:J.Kuipers、P.Suter、G.Moffa(2022年)<doi:10.1080/10618600.2021.202127>,N.Friedman和D.Koller(2003)<doi:10.1023/A:1020249912095>, J.Kuipers和G.Moffa(2017)<doi:10.1080/01621459.2015.1133426>, M.Kalisch等人(2012年)<doi:10.18637/jss.v047.i11>,D.Geiger和D.Heckerman(2002)<doi:10.1214/aos/1035844981>, P.Suter、J.Kuipers、G.Moffa、N.Beerenwinkel(2023)<doi:10.18637/jss.v105.i09>.
请使用规范形式https://CRAN.R-project.org/package=BiDAG链接到此页面。