使用pgmpy构建泰坦尼克号贝叶斯网络模型

1. 项目概述

作为一名长期从事数据科学实践的工程师，我最近完成了一个使用pgmpy库构建泰坦尼克号数据集贝叶斯网络的项目。这个项目不同于常见的机器学习分类任务，它更注重概率推理和可解释性。通过完整的流程——从数据清洗、离散化处理到网络构建与推理——我实现了两种建模方式：手工设计网络（准确率82.68%）和自动结构学习（78.77%）。

贝叶斯网络在这个案例中展现了独特优势：不仅能预测乘客是否生还，还能回答"在特定条件下生还概率是多少"这类概率推理问题。例如，对于女性、头等舱、高票价且有舱位信息的乘客，模型计算出生还概率高达96.64%。这种能力是传统分类模型难以提供的。

2. 环境准备与数据获取

2.1 实验环境配置

我使用的是Python 3.13环境，核心依赖包括：

bash复制pgmpy==1.0.0
pandas==2.1.0
scikit-learn==1.3.0
matplotlib==3.8.0
seaborn==0.12.2

建议使用虚拟环境管理依赖：

bash复制python -m venv bn_env
source bn_env/bin/activate  # Linux/Mac
bn_env\Scripts\activate  # Windows
pip install -r requirements.txt

2.2 数据获取与划分

数据源来自公开的Titanic数据集：

python复制import pandas as pd
url = "https://raw.githubusercontent.com/datasciencedojo/datasets/master/titanic.csv"
data = pd.read_csv(url)

# 划分训练测试集
from sklearn.model_selection import train_test_split
train_df, test_df = train_test_split(data, test_size=0.2, random_state=42)
print(f"训练集: {len(train_df)}条, 测试集: {len(test_df)}条")

3. 数据预处理关键步骤

3.1 缺失值处理策略

原始数据存在严重缺失问题，特别是Cabin字段（约77%缺失）和Age字段（约20%缺失）。我的处理方法是：

1. Cabin字段：简化为二元特征（是否有舱位信息）

python复制data['Cabin'] = data['Cabin'].notna().astype(int)

2. Age字段：从姓名中提取称谓（Mr/Mrs/Miss等），按称谓分组填补

python复制# 提取称谓
data["Title"] = data["Name"].str.extrac