问题标签 [pymc3]

我在这里发布了一个 IPython 笔记本http://nbviewer.ipython.org/gist/dartdog/9008026

我通过标准的 Statsmodels OLS 工作，然后通过 Pandas 提供的数据与 PYMC3 类似，顺便说一句，这部分工作得很好。

我看不到如何从 PYMC3 中获取更多标准参数？这些示例似乎只是使用 OLS 来绘制基本回归线。看来PYMC3模型数据应该可以给出回归线的参数了吧？除了可能的痕迹，即最高概率​​线是什么？

欢迎对 Alpha、beta 和 sigma 的解释进行任何进一步的解释！

另外如何使用 PYMC3 模型来估计 y 的未来值给定一个新的 x 即预测具有一定的概率？

最后，PYMC3 有一个新的 GLM 包装器，我尝试过它似乎搞砸了？（不过很可能是我）

我试图通过复制此处给出的混合高斯示例来模拟指数混合。代码如下。我知道这里的推理有一些时髦的方面，但我的问题更多是关于如何在这样的模型中调试计算。

这个想法是它是三个指数的混合，比例参数取自 Gamma 分配给scales. 但是，在ElemwiseCategoricalStep. 通过查看 ，您可以看到指数分量的观测值分配最初是不同的initial_assignments，并且您可以看到所有观测值都分配给所有交互上的第零分量，因为它set(tr['exp'].flatten())仅包含 0。

p我认为这是因为在表达式array([logp(v * self.sh) for v in self.values])中分配给的所有值ElemwiseCategoricalStep.astep都是负无穷大。我想知道为什么会这样以及如何纠正它，但更重要的是，我想知道可以使用哪些工具来调试这种事情。有什么办法让我逐步计算，logp(v * self.sh)看看结果是如何确定的？如果我尝试使用 pdb 来执行此操作，我想我会在outputs = self.fn()in受到阻碍theano.compile.function_module.Function.__call__，我想我无法进入，因为它是一个本机函数。

即使知道如何为给定的一组模型参数计算 pdf 也是一个有用的开始。

我正在努力学习 pyMC 3 并且遇到了一些麻烦。由于 pyMC3 的教程有限，我正在使用Bayesian Methods for Hackers。我试图在贝叶斯 A/B 测试示例中将 pyMC 2 代码移植到 pyMC 3，但没有成功。据我所知，该模型根本没有考虑到观察结果。

我不得不对示例进行一些更改，因为 pyMC 3 完全不同，所以应该如下所示： import pymc as pm

相反看起来像：

为冗长的帖子道歉，但在我的改编中，有一些小的变化，例如手动生成观察结果，因为 pm.rbernoulli 不再存在。我也不确定是否应该在运行跟踪之前找到开始。我应该如何更改我的实现以正确运行？

我正在尝试构建一个简单的 PyMC 3 模型，在该模型中，我估计潜在二元高斯密度中的两个切点和一个相关参数，为（多项式）计数向量产生四个预测概率。（我希望这最终会成为一个更大模型的一部分，在这个模型中，这些参数和其他参数是针对许多潜在的多元高斯密度进行估计的。）

因此，我想将切点 cx 和 cy 建模为正常随机变量，并将相关参数 rho 建模为缩放的 Beta 随机变量（作为旁注，我很想听到处理 rho 的更好方法 - PyMC 3截断了正常的随机变量，例如？）。我想使用函数 mvnun 来计算给定 cx、cy 和 rho 值的预测概率。函数 mvnun 是 scipy.stats.mvn 的一部分，它是一段编译的 Fortran 代码，有两个函数用于计算非常准确的多元正态 CDF 值。

如果我尝试将 rho 粘贴在相关矩阵 S 中，或者如果我将 cx 或 cy 放入指示积分限制的数组中，我会得到：

如果我对 cx、cy 和/或 rho 使用固定数值，mvnun 就可以正常工作（在“with model:”块内或外）。我一直在四处寻找，试图弄清楚为什么 PyMC RVs 会导致这个错误，但我很难过。我收集到 cx、cy 和 rho 是 theano TensorVariables，但我无法弄清楚关于 theano TensorVariables 的什么（如果有的话）会导致这些问题。

尝试使用 PyMC RV 作为参数调用 Fortran 函数是否存在根本问题？还是我的代码在某些方面存在缺陷？两个都？完全不同的东西？

我是 PyMC 的新手，我安装 PyMC 3 时认为它是当前版本（我发誓说几周前我安装它时没有 alpha 版本）。也许我应该安装 2.3 并弄清楚如何把它和那个放在一起？

无论如何，任何有关如何解决问题的建议都将不胜感激。

这是我的代码：

有人可以就如何并行化PyMC MCMC代码给出一些一般性说明。我正在尝试按照此处LASSO给出的示例运行回归。我在某处读到默认情况下会进行并行采样，但是我还需要使用类似的东西来使其工作吗？Parallel Python

这是一些我希望能够在我的机器上并行化的参考代码。

NUTS 采样器可能会变慢或失速有什么原因吗？我使用http://twiecki.github.io/blog/2014/03/17/bayesian-glms-3/作为一些分层线性回归工作的基础。我尝试从 find_MAP() 开始，但在 2000 次迭代中的 100 次后它仍然停滞不前

我的代码是

提前谢谢了

我是 pyMC 的新手，我仍然无法使用 pyMC 构建我的 MCMC 的结构。我想建立一个链，我很困惑如何一起定义我的参数和对数似然函数。我的卡方函数由下式给出：

其中和分别是观测数据和对应误差，是具有四个自由参数的模型，参数是非线性的。

X和的先验Y是统一的，例如：

但对于M和C给出如下：

其中的平均值C是通过计算的

对于M和C，先验应该如下所示：

该参数z也是C先验常数。我想知道如何定义我的可能性，并且应该将其称为@Deterministic variable？我是否以正确的方式将M和定义C为先验信息？

如果有人给我一些提示，告诉我如何将这些参数与给定的先验结合起来，我将不胜感激。

我使用 x 和 y 中测量误差的数据的最小二乘回归，并使用减少的卡方（均方加权偏差：mswd）作为拟合的度量。然而，使用减少卡方的一些假设可能没有得到满足，我想转向使用 PyMC 的 mcmc/贝叶斯方法。我在网上搜索过，但似乎找不到我要找的东西，大多数例子都假设数据不确定性是高斯的，但在这里我测量了 x 和 y 的不确定性。

看来我应该能够在 PyMC2 或 PyMC3 中使用 glm 做到这一点。

这是绘制的典型数据集：

以及与之相关的数据：

我正在寻找人们这样做的任何示例和参考资料。提前致谢。

我有一些我想估计参数的观测数据，我认为这将是一个尝试 PYMC3 的好机会。

我的数据结构为一系列记录。每条记录都包含一对与固定的一小时时段相关的观察结果。一项观察是在给定小时内发生的事件总数。另一个观察是该时间段内的成功次数。因此，例如，一个数据点可能会指定在给定的 1 小时内，总共有 1000 个事件，在这 1000 个事件中，有 100 个是成功的。在另一个时间段内，总共可能有 1000000 个事件，其中 120000 个是成功的。观察值的方差不是恒定的，取决于事件的总数，我想控制和建模的部分原因是这种影响。

我这样做的第一步是估计潜在的成功率。我准备了下面的代码，旨在通过使用 scipy 生成两组“观察到的”数据来模拟这种情况。但是，它不能正常工作。
我期望它找到的是：

• loss_lambda_factor 大约为 0.1
• total_lambda（和 total_lambda_mu）大约为 120。

相反，该模型收敛得非常快，但结果却出人意料。

• total_lambda 和 total_lambda_mu 分别是 5e5 附近的尖峰。
• loss_lambda_factor 大约为 0。

跟踪图（由于声誉低于 10，我无法发布）相当无趣 - 快速收敛，并且在与输入数据不对应的数字处出现尖峰。我很好奇我所采取的方法是否存在根本性的错误。应如何修改以下代码以提供正确/预期的结果？

我想知道是否可以在 PyMC3 中定义一个自定义先验（以及如何去做）。从这里看来，在 PyMC2 中比较容易做到（无需修改源代码），但在 PyMC3 中并不那么容易（或者我不明白一些东西）。我正在尝试复制在 BUGS 中实现的“做贝叶斯数据分析”一书中的先验：

先验没有太多意义，它只是一个示例，说明如何定义自定义先验和 BUGS 的多功能性。

我尝试实现上述自定义先验是：

编辑

遵循chris-fonnesbeck的回答

我想我需要类似的东西：

唯一的问题是我对 theta1 和 theta2 的所有后验样本都得到了相同的值，我猜我的自定义先验或先验和可能性的组合存在一些问题。可以在此示例中找到自定义先验的成功定义