问在循环中使用bnlearn函数"cpquery“

EN

为了避免作用域问题，您可以推迟对eval的调用，并在cpquery函数中执行此操作。如果您直接将evi (字符变量)传递给cpquery，然后在定义中对其进行解析，则环境链将发生变化，cpquery将能够访问evi。

您可以使用m.cpquery <- edit(cpquery)派生您自己版本的函数，并在其开头插入以下行：

evidence = parse(text = evidence)

然后保存您的新函数。

因此m.cpquery的标题将如下所示：

> m.cpquery
function (fitted, event, evidence, cluster = NULL, method = "ls", 
    ..., debug = FALSE) 
{
    evidence = parse(text = evidence)
    check.fit(fitted)
    check.logical(debug)
...

现在，您可以像以前一样在自己的函数中使用m.cpquery，只是我们将把普通字符变量传递给它：

a[i] <- m.cpquery(network, (C=='c'), evi)

请注意，在m.cpquery的第一行中，我们只解析了证据字符变量，并没有对其调用eval。cpquery是conditional.probability.query的前端(参见here)，我们依赖于conditional.probability.query对eval的后续调用。

我应该说，这是一个相当丑陋的变通方法。而且它只有在使用逻辑采样(method='ls')时才有效。但是，如果要使用似然加权，check.mutilated.evidence函数将引发错误。我还没有检查在调用之前注入eval表达式是否会导致后续错误的混乱，从而导致地狱。

我不知道这是由于错误修复还是仅仅是因为我尝试了另一种方法--不管怎样，如果你在cpquery-function之外迭代地构建证据列表，循环就会起作用。

下面是一个通过名为evidenceData的列表进行迭代的示例，该列表具有全正证据：

for(i in names(evidenceData)){
  loopEvidenceList <- list()
  loopEvidenceList[[i]] <- "TRUE"
  a =cpquery(fitted = bayesNet, event = queryNode == "TRUE", 
             evidence = loopEvidenceList, method = "lw", n = 100000)
  print(a)
  }

根据证据可用的方式，您可能需要更复杂的"loopEvidenceList“准备，但一旦准备就绪，它就可以正常工作。

我觉得问题是你在证据和事件中使用了相同的变量。Learning.test包含"C“变量的值。然后我们尝试预测C作为事件。也许使用不包括C的原始数据集的子集可以解决这个问题