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Statsmodels OLS和PYMC3与Pandas提供的数据一起工作,顺便说一下,这部分工作得很好.

我看不出如何从PYMC3中获得更多标准参数？这些示例似乎只是使用OLS来绘制基本回归线.看来PYMC3模型数据应该能够给出回归线的参数吗？除了可能的痕迹,即什么是最高概率线？

对Alpha,beta和sigma的解释的任何进一步解释都欢迎!

另外,如何使用PYMC3模型来估计给定新x即具有某种概率的预测的y的未来值？

最后,PYMC3有一个新的GLM包装,我尝试了它似乎搞砸了？(虽然可能是我)

我注意到在 pymc3 中使用均匀分布时，_interval除非指定了转换，否则采样器也会扫描参数，例如：

with fitModel6:

    normMu  = pm.Uniform('normMu',lower=0,upper=1000)

不仅会导致对 normMu 进行采样，还会导致对 normMu_interval 进行采样：

区间轨迹图

参数轨迹图

通常，当我使用统一先验作为尺度参数（如归一化）时，我当然会在对数间隔内进行采样。pymc3 是否以某种方式为我处理这个问题？

干杯

我正在尝试非常简单地将 PyMC3 traceplot 函数（请参阅此处）生成的子图绘制到文件中。

该函数生成子图的 numpy.ndarray (2d)。

我需要将这些子图移动或复制到 matplotlib.figure 中才能保存图像文件。我能找到的所有内容都展示了如何首先生成图形的子图，然后构建它们。

作为一个最小的示例，我从Here提取了示例 PyMC3 代码，并在其中添加了几行以尝试处理子图。

from pymc3 import *
import theano.tensor as tt
from theano import as_op
from numpy import arange, array, empty

### Added these three lines relative to source #######################
import matplotlib
matplotlib.use('Agg')
import matplotlib.pyplot as plt

__all__ = ['disasters_data', 'switchpoint', 'early_mean', 'late_mean', 'rate', 'disasters']

# Time series of recorded coal mining disasters in the UK from 1851 to 1962
disasters_data = array([4, 5, 4, …

我有一个在pymc3中描述的模型,使用以下内容:

from pymc3 import * 
basic_model = Model()

with basic_model:
    # Priors for unknown model parameters
    alpha = Normal('alpha', mu=0, sd=10)
    beta = Normal('beta', mu=0, sd=10, shape=18)
    sigma = HalfNormal('sigma', sd=1)

    # Expected value of outcome
    mu = alpha + beta[0]*X1 + beta[1]*X2 + beta[2]*X3

    # Likelihood (sampling distribution) of observations
    Y_obs = Normal('Y_obs', mu=mu, sd=sigma, observed=Y)

但是,我的Ys不是正常分布的,而是二进制的(所以,伯努利,我认为).我无法弄清楚如何改变NormalY的分布,Bernoulli因为我无法弄清楚Y_obs在这种情况下params会是什么.

我正在尝试使用 PyMC3 来实现具有分类变量及其交互作用的分层模型。在 R 中，公式将采用以下形式：

y ~ x1 + x2 + x1:x2

然而，在教程https://pymc-devs.github.io/pymc3/GLM-hierarchical/#partial-pooling-hierarchical-regression-aka-the-best-of-both-worlds他们明确说 glm 没有还没有很好地使用分层建模。

那么我将如何添加 x1:x2 项呢？它会是一个具有两个分类父级（x1 和 x2）的分类变量吗？

我对计算贝叶斯因子以比较 PyMC 3 中的两个模型感兴趣。根据此网站，在 PyMC 2 中，该过程似乎相对简单：包括伯努利随机变量和自定义似然函数，该函数返回第一个模型的似然性当伯努利变量的值为 0 时，第二个模型的似然性为 1。然而，在 PyMC 3 中，事情变得更加复杂，因为随机节点需要是 Theano 变量。

我的两个似然函数是二项式，所以我想我需要重写这个类：

class Binomial(Discrete):
    R"""
    Binomial log-likelihood.
    The discrete probability distribution of the number of successes
    in a sequence of n independent yes/no experiments, each of which
    yields success with probability p.
    .. math:: f(x \mid n, p) = \binom{n}{x} p^x (1-p)^{n-x}
    ========  ==========================================
    Support   :math:`x \in \{0, 1, \ldots, n\}`
    Mean      :math:`n p`
    Variance  :math:`n p (1 - p)`
    ========  ==========================================
    Parameters
    ---------- …

我看到了如何用pymc3进行变点分析的例子,但似乎我错过了一些东西,因为我得到的结果远非真正的值.这是一个玩具的例子.

数据:

脚本:

from pymc3 import *
from numpy.random import uniform, normal

bp_u = 30 #switch point
c_u = [1, -1] #intercepts before and after switch point
beta_u = [0, -0.02]  #slopes before & after switch point

x = uniform(0,90, 200)

y = (x < bp_u)*(c_u[0]+beta_u[0]*x) + (x >= bp_u)*(c_u[1]+beta_u[1]*x) + normal(0,0.1,200)

with Model() as sw_model:

    sigma = HalfCauchy('sigma', beta=10, testval=1.)

    switchpoint = Uniform('switchpoint', lower=x.min(), upper=x.max(), testval=45)

    # Priors for pre- and post-switch intercepts and slopes
    intercept_u1 = Uniform('Intercept_u1', lower=-10, …

是否有一个函数可以告诉pandas DataFrame中匹配的百分比或数量而不执行此类操作...

len(trace_df[trace_df['ratio'] > 0]) / len(trace_df)
0.189

len(trace_df[trace_df['ratio'] <= 0]) / len(trace_df)
0.811

必须有更多的Pythonic或至少优雅的方式来做到这一点.

我有一个看起来像下面的数据集(显示前5行).CPA是来自不同广告航班的实验(处理)的观察结果.航班在广告系列中按层次分组.

  campaign_uid  flight_uid treatment         CPA
0   0C2o4hHDSN  0FBU5oULvg   control  -50.757370
1   0C2o4hHDSN  0FhOqhtsl9   control   10.963426
2   0C2o4hHDSN  0FwPGelRRX   exposed  -72.868952
3   0C5F8ZNKxc  0F0bYuxlmR   control   13.356081
4   0C5F8ZNKxc  0F2ESwZY22   control  141.030900
5   0C5F8ZNKxc  0F5rfAOVuO   exposed   11.200450

我适合如下的模型:

model.fit('CPA ~ treatment',  random=['1|campaign_uid'])

据我所知,这个模型简单地说:

• 我们有治疗斜坡
• 我们有一个全球拦截
• 我们还有每个广告系列的拦截

所以一个只想得到一个 后为每个这样的变量.

但是,看看下面的结果,我还得到了以下变量的后验:1|campaign_uid_offset.它代表什么？

拟合模型和图的代码:

model   = Model(df)
results = model.fit('{} ~ treatment'.format(metric),  
                    random=['1|campaign_uid'], 
                    samples=1000)
# Plotting the result
pm.traceplot(model.backend.trace)

如果我们考虑PyMC3的以下线性回归示例:

http://docs.pymc.io/notebooks/getting_started.html#A-Motivating-Example:-Linear-Regression

我们如何包含诸如a + b1 + b2 = 1 or a^2 + b1^2 = 25？之类的约束？

我知道我们可以使用Bound为变量创建边界,但我不知道如何添加更复杂的约束.

谢谢您的帮助!