问题标签 [pymc]

我阅读了以下论文（http://www3.stat.sinica.edu.tw/statistica/oldpdf/A10n416.pdf），他们将方差-协方差矩阵 Σ 建模为：

Σ = diag(S)*R*diag(S)（论文中的公式 1）

S是标准差的k×1向量，diag(S)是对角元素S的对角矩阵，R是k×k相关矩阵。

如何使用 PyMC 实现这一点？

这是我写的一些初始代码：

谢谢

[编辑]

我认为可以使用以下方法来完成：

我无法pymc与psycopg2. 教程中的以下简单片段：

导致以下错误：

例外：环境变量“DYLD_FALLBACK_LIBRARY_PATH”的值中不包含“/Users/josh/anaconda/envs/py27/lib”路径。这将使 Theano 无法编译 c 代码。更新 'DYLD_FALLBACK_LIBRARY_PATH' 以包含上述值，这将修复此错误。

我能够通过添加以下内容来解决此问题：

到我的 shell 初始化文件.bashrc。但是，这是我不明白的部分，换行符psycopg2：

我怎样才能psycopg2和pymc（这里theano）幸福地生活在一起？

这是在 OS X 上安装了 Python 2.7.6 和使用conda创建的 Python 环境。

以为我会从这个例子开始： http ://www.databozo.com/2014/01/17/Exploring_PyMC3.html

但是，当我使用 pymc 2.3 精确地按照示例进行操作时，我得到一个退出并告诉 API 已更改 UserWarning：不推荐使用 MCMC() 语法。请通过 M = MCMC(input) 显式传入节点。'不推荐使用 MCMC() 语法。请通过 M = MCMC(input).') 显式传入节点，但我不知道如何更改示例以准确提供模型函数的内容以及如何处理 'with' 子句？

有问题的代码是：

以上示例数据生成器工作正常

跟随这个例子使用 PYMC3 做非常简单的贝叶斯线性回归（学习，我希望）我得到了最初的例子来运行，然后尝试使用我自己的数据并得到：

怀疑是由于我的数据范围，但很可能是我不了解其他参数。数据和代码如下：我希望这应该只在 IPython notebook 中运行。最后一个应该预测单位，当一切都说完了。

我尝试的模型代码是：

当我尝试使用安装 pymc时easy_install pymc

我收到以下错误

我正在使用 Ubuntu 12.04 如何修复此错误？

我一直在使用 PyMC 分析一些高能物理数据。它工作完美，分析完成，我们正在研究论文。

不过，我有一个小问题。RAM我使用数据库后端运行采样器。这些痕迹在 IPython 内核进程的内存中已经存在了几个月了。问题是工作站支持人员想要执行内核升级并重新启动该工作站。这将导致我失去踪迹。我想保留这些痕迹（而不是仅仅生成新痕迹），因为它们是我制作所有情节的东西。我还想在出版物中包含一部分痕迹（仅感兴趣的参数）作为补充材料。

pymc.MCMC是否可以在使用后端创建的对象中获取现有链RAM，更改为不同的后端，并写出链中的跟踪？

我在这里发布了一个 python 笔记本：http: //nbviewer.ipython.org/gist/awellis/9067358

我正在尝试使用 PyMC 3 创建一个概率回归模型，使用生成的数据来恢复已知参数（参见笔记本）。截距的估计值差不多，但斜率估计值太离谱了。

我的模型如下所示：

它似乎工作的唯一方法是使用 Theano 定义 phi(x)，使用错误函数，类似于 PyMC 存储库中的逻辑回归示例。

谁能指出我正确的方向？有没有更好/更简单的方法来做到这一点？

在我正在编写的模型的一个步骤中，我必须计算一个量的误差函数。我想要做的看起来像这样：

这失败了，因为erf它不适用于数组。我试过了：

但没有成功，我知道可以通过以下方式获得结果：

但这似乎不是正确的方法，因为它不会产生 apm.Deterministic而只是产生np.array. 我该怎么做呢？（PyMC 是 2.3 版）

编辑：为清楚起见，对上述示例进行了简化，以下是相关段落在实际代码中的外观。理想情况下，我希望这个工作：

但如果消息失败TypeError: only length-1 arrays can be converted to Python scalars。走np.vectorize路线

崩溃并显示相同的错误消息。列表理解

可以这样工作，但稍后会在此位置的代码中导致错误：

错误是AttributeError: log。

我已经使用数值近似计算了误差函数，这应该意味着一般设置是正确的。直接使用该erf功能会更好更清晰。

我在pymc2中有以下模型：

该模型的物理背景是星系的光度函数（LF），即星系具有光度L的概率。对于某些类型的星系，LF只是一个伽马函数。可能会导致数据截断，因为星系调查通常会错过很大一部分目标，尤其是那些低光度的目标。在这个模型中，我想念下面的一切lmin

这种方法的细节可以在Kelly 等人的这篇论文中找到。

这个模型有效：我在模型上运行MAP，我可以从我的模拟数据MCMC中恢复参数alpha，随着不确定性的增加。scalesamplelmin

现在我想插入高斯测量误差。为简单起见，所有数据都具有相同的精度。我也没有修改包含错误的可能性。

但我肯定在这里做错了，因为这个模型不起作用。当我在这个模型上运行时，我恢复了和pymc.MAP的初始值alphascale

当我运行pymc.MCMC时，alpha根本beta没有追踪。

再次初始值。事实上，如果我更改alpha为从 0.02 开始，则恢复值为alpha0.02。

这是一个带有工作模型和模拟数据的笔记本。

这是一个带有误差模型和模拟数据的笔记本。

任何有关使这项工作的指导将不胜感激。

我尝试将简单的生存模型从这里（介绍中的第一个）从 PyMC 2 移植到 PyMC 3。但是，我没有找到任何与“观察到的”装饰器等效的东西，并且我尝试编写新的发行版失败了。有人可以提供一个例子，这是如何在 PyMC 3 中完成的？