python-如何在PyMC3中定义自定义优先级

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了python-如何在PyMC3中定义自定义优先级，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含2629字，纯文字阅读大概需要4分钟。

内容图文

我想知道是否有可能在PyMC3中定义一个自定义先验(以及如何做).从here开始,在PyMC2中似乎比较容易做到(无需修改源代码),但是在PyMC3中则不那么容易(或者我不太了解).
我正在尝试从《做贝叶斯数据分析》一书中复制一个先验,该书在BUGS中实现：

model {
# Likelihood. Each flip is Bernoulli.
for ( i in 1 : N1 ) { y1[i]  ? dbern( theta1 ) }
for ( i in 1 : N2 ) { y2[i]  ? dbern( theta2 ) }
# Prior. Curved scallo not ps!
x  ? dunif(0,1)
y  ? dunif(0,1)
N <- 4
xt <- sin( 2*3.141593*N * x ) / (2*3.141593*N) + x
yt <- 3 * y + (1/3)
xtt <- pow( xt , yt )
theta1 <- xtt
theta2 <- y
}

先验并没有太大的意义,它只是如何定义自定义先验和BUGS的多功能性的一个示例.

我尝试实现上述自定义优先级是：

from __future__ import division
import numpy as np
import pymc as pm
from pymc import Continuous
from theano.tensor import sin, log

# Generate the data
y1 = np.array([1, 1, 1, 1, 1, 0, 0])  # 5 heads and 2 tails
y2 = np.array([1, 1, 0, 0, 0, 0, 0])  # 2 heads and 5 tails

class Custom_prior(Continuous): 
"""
custom prior
"""
    def __init__(self, y, *args, **kwargs):
        super(Custom_prior, self).__init__(*args, **kwargs)
        self.y = y
        self.N = 4
        self.mean = 0.625  # FIXME
    def logp(self, value):
        N = self.N
        y = self.y
        return -log((sin(2*3.141593*N * value)
                     / (2*3.141593*N) + value)**(3 * y + (1/3)))

with pm.Model() as model:
    theta2 = pm.Uniform('theta2', 0, 1)  # prior
    theta1 = Custom_prior('theta1', theta2)  # prior
    # define the likelihood
    y1 = pm.Bernoulli('y1', p=theta1, observed=y1)
    y2 = pm.Bernoulli('y2', p=theta2, observed=y2)
    # Generate a MCMC chain
    start = pm.find_MAP()  # Find starting value by optimization
    trace = pm.sample(5000, pm.NUTS(), progressbar=False)

编辑

继chris-fonnesbeck的答案

我想我需要类似的东西：

with pm.Model() as model:
    theta2 = pm.Uniform('theta2', 0, 1)  # prior
    N = 4
    theta1 = pm.DensityDist('theta1', lambda value: -log((sin(2*3.141593*N * value)
                       / (2*3.141593*N) + value)**(3 * theta2 + (1/3))))
    # define the likelihood
    y1 = pm.Bernoulli('y1', p=theta1, observed=y1)
    y2 = pm.Bernoulli('y2', p=theta2, observed=y2)

    # Generate a MCMC chain
    start = pm.find_MAP()  # Find starting value by optimization
    trace = pm.sample(10000, pm.NUTS(), progressbar=False) # Use NUTS sampling

唯一的问题是,对于theta1和theta2的所有后验样本,我得到的值都相同,我想我的自定义先验或先验和可能性的组合存在一些问题.在此example中可以找到成功的自定义先验定义

解决方法:

您可以发布完整的BUGS模型吗？在上面,它看起来像是在x和y的先验之后的BUGS中的一系列确定性转换,而不是先验的定义.

假设上面的logp是您想要的,那么您可以在PyMC中更简单地实现它：

def logp(value, y):
    N  = 4
    return -log((sin(2*3.141593*N * value)
                 / (2*3.141593*N) + value)**(3 * y + (1/3)))

theta1 = pm.DensityDist('theta1', logp, value, y=theta2)

内容总结

以上是互联网集市为您收集整理的python-如何在PyMC3中定义自定义优先级全部内容，希望文章能够帮你解决python-如何在PyMC3中定义自定义优先级所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端