我正在python中實現PC算法。這種算法構建了一個 n 變量高斯分布的圖形模型。這個圖形模型基本上是有向無環圖的骨架，這意味著如果一個結構像：(x1)---(x2)---(x3)在圖中，則 x1 與給定 x2 的 x3 無關。更一般地，如果 A 是圖的鄰接矩陣且 A(i,j)=A(j,i) = 0（i 和 j 之間缺少邊），則 i 和 j 條件獨立，所有變量出現在從 i 到 j 的任何路徑中。出于統計和機器學習的目的，可以“學習”底層圖形模型。如果我們對聯合高斯 n 變量隨機變量有足夠的觀察，我們可以使用 PC 算法，其工作原理如下：given n as the number of variables observed, initialize the graph as G=K(n) for each pair i,j of nodes:    if exists an edge e from i to j:        look for the neighbours of i        if j is in neighbours of i then remove j from the set of neighbours        call the set of neighbours k        TEST if i and j are independent given the set k, if TRUE:             remove the edge e from i to j該算法還計算圖的分離集，該分離集由另一種算法使用，該算法構建從骨架開始的 dag 和由 pc 算法返回的分離集。這是我到目前為止所做的：def _core_pc_algorithm(a,sigma_inverse):l = 0N = len(sigma_inverse[0])n = range(N)sep_set = [ [set() for i in n] for j in n]act_g = complete(N)z = lambda m,i,j : -m[i][j]/((m[i][i]*m[j][j])**0.5)while l<N:    for (i,j) in itertools.permutations(n,2):        adjacents_of_i = adj(i,act_g)        if j not in adjacents_of_i:            continue        else:            adjacents_of_i.remove(j)        if len(adjacents_of_i) >=l:            for k in itertools.combinations(adjacents_of_i,l):                if N-len(k)-3 < 0:                    return (act_g,sep_set)                if test(sigma_inverse,z,i,j,l,a,k):                    act_g[i][j] = 0                    act_g[j][i] = 0                    sep_set[i][j] |= set(k)                    sep_set[j][i] |= set(k)    l = l + 1此函數實現了一個統計測試，該測試使用了估計偏相關的 Fisher z 變換。我以兩種方式使用這個算法：從線性回歸模型生成數據并將學習到的 DAG 與預期的進行比較讀取數據集并學習底層 DAG在這兩種情況下，我并不總是得到正確的結果，要么是因為我知道某個數據集背后的 DAG，要么是因為我知道生成模型但它與我的算法學習的模型不一致。我完全知道這是一項重要的任務，即使在我在這里省略的部分代碼中，我也可能誤解了理論概念以及犯了錯誤；但首先我想知道（從比我更有經驗的人那里），如果我寫的測試是正確的，并且是否有執行此類測試的庫函數，我嘗試搜索但我找不到任何合適的功能。