要提取概率估计，你可以使用bnlearn包中的bn.fit()函数来训练贝叶斯网络，并使用predict()函数来进行预测。以下是使用bnlearn包从网络连续预测变量和离散结果中提取概率估计的解决方法的示例代码：

# 安装并加载必要的包
install.packages("bnlearn")
library(bnlearn)

# 创建一个数据框
data <- data.frame(
  A = c(1, 1, 0, 0), 
  B = c(0, 1, 0, 1), 
  C = c(1, 0, 1, 0),
  D = c(2, 4, 3, 1),
  E = c("Yes", "No", "No", "Yes")
)

# 创建一个贝叶斯网络结构
network <- model2network("[A][B][C][D|A:B][E|B:C]")

# 使用数据训练网络
fitted_network <- bn.fit(network, data)

# 预测变量E的概率估计
predicted_probs <- predict(fitted_network, query = list(E = "Yes"), method = "bayes-lw")

# 打印概率估计结果
print(predicted_probs)

上述代码中，我们首先创建了一个包含离散和连续变量的数据框。然后，我们定义了一个贝叶斯网络结构，并使用bn.fit()函数来训练网络。接下来，我们使用predict()函数来预测变量E的概率估计。最后，我们打印了概率估计的结果。

请注意，上述代码只是一个示例，你需要根据自己的数据和网络结构进行适当的修改。