我想建立一个依赖于其他分类变量的离散(pymc.Categorical)变量的贝叶斯网络。作为一个最简单的例子,假设变量a和b是分类变量,并且b取决于a
这是使用 pymc 对其进行编码的尝试(假设a采用三个值之一,b采用四个值之一)。想法是使用 pymc 从数据中学习 CPT 分布。
import numpy as np
import pymc as pm
aRange = 3
bRange = 4
#make variable a
a = pm.Categorical('a',pm.Dirichlet('aCPT',np.ones(aRange)/aRange))
#make a CPT table as an array of
CPTLines = np.empty(aRange, dtype=object)
for i in range(aRange):
CPTLines[i] = pm.Dirichlet('CPTLine%i' %i,np.ones(bRange)/bRange)
#make a deterministic node that holds the relevant CPT line (dependent on state1)
@pm.deterministic
def selectedCPTLine(CPTLines=CPTLines,a=a):
return CPTLines[a]
#make a node for variable b
b=pm.Categorical('b', selectedCPTLine)
model = pm.MCMC([a, b, selectedCPTLine])
如果我们绘制这个模型,它看起来像这样
然而,运行这段代码我们得到一个错误:
Probabilities in categorical_like sum to [ 0.8603345]
显然,pymc 可以将 Dirichlet 变量作为分类变量的参数。当 Categorical 变量将 Dirichlet 变量作为其参数时,它知道期望 k-1 个概率向量,并假设第 k 个概率将向量求和为 1。但是,当 Dirichlet 变量是一个确定性变量,这是我制作 CPT 所需要的。
我会以正确的方式解决这个问题吗?如何解决表示不匹配的问题?我应该提一下,我对 pymc 和 Python 比较陌生。
这个问题与上一个关于使用 pymc 制作离散状态马尔可夫模型的问题有关