从 Python 中的数据学习二元决策图 (BDD)

问题描述

是否可以从数据中学习二元决策图 (BDD)（以机器学习方式）？如果是这样，如何？

背景：我在 Python 中看到了一些工具来完成此任务，例如，带有 scikit-learn 的决策树 (DT)，但我没有看到任何用于 BDD 的工具。

举个例子，我想做的是：

前三列对应'输入'数据集（xi），标签为（y）。 N 对应于计数，例如您可以使用后者来计算准确度。请注意，这不是 cut sets 矩阵。在中间，您会看到一个对应的 BDD（这是我想要获得的图表），在右侧是一个对应的 DT。

解决方法

如果目标是将输入-输出评估表转换为 BDD，表示由这些评估定义的布尔函数，那么是可能的（这不是任何形式的学习）。例如，使用 Python 包 dd:

from dd import autoref


bdd = autoref.BDD()
bdd.declare('x1','x2','x3')
# These are the assignments to the input variables
# where the Boolean function is TRUE (the y).
# The assignments where the Boolean function is FALSE
# are not used in the disjunction below.
data = [
    dict(x1=True,x2=False,x3=True),dict(x1=True,x2=True,x3=False),x3=True)]
u = bdd.false
for d in data:
    u |= bdd.cube(d)  # disjunction so far
bdd.dump('example.png',roots=[u])

我们得到以下包含 complemented edges 的图表：

包 dd 可以从 PyPI 安装：

pip install dd