python – 当涉及离散变量时,pymc3与pymc2的困难

概述我正在更新一些计算,其中我使用pymc2到pymc3,当我在模型上有一些离散的随机变量时,我在采样器行为方面遇到了一些问题.例如,请考虑使用pymc2的以下模型： import pymc as pmN = 100data = 10p = pm.Beta('p', alpha=1.0, beta=1.0)q = pm.Beta('q', alpha=1.0, beta=1.0) A = 我正在更新一些计算,其中我使用pymc2到pymc3,当我在模型上有一些离散的随机变量时,我在采样器行为方面遇到了一些问题.例如,请考虑使用pymc2的以下模型：

import pymc as pmN = 100data = 10p = pm.Beta('p',Alpha=1.0,beta=1.0)q = pm.Beta('q',beta=1.0) A = pm.Binomial('A',N,p)X = pm.Binomial('x',A,q,observed=True,value=data)

它并不代表任何东西,它只是一个模型,其中一个未观察到的变量是离散的.当我用pymc2对这个模型进行采样时,我得到以下结果：

mcmc = pm.MCMC(model)mcmc.sample(iter=100000,burn=50000,thin=100)plot(mcmc)

但是当我尝试使用PYMC3时,我得到了这个：

with pm.Model() as model:    N = 100    p = pm.Beta('p',beta=1.0)    q = pm.Beta('q',beta=1.0)     A = pm.Binomial('A',p)    X = pm.Binomial('x',observed=10)with model:    start = pm.find_MAP()with model:    step = pm.NUTS()    trace = pm.sample(3000,step,start)pm.traceplot(trace)

看起来变量A根本没有被采样.我没有读过很多关于pymc3中使用的采样方法,但我注意到它似乎特别针对连续模型.这是否意味着它排除了模型上的离散未观察变量,或者是否有某种方法可以做我想做的事情？

解决方法 NUTS采样器不适用于离散变量(尽管人们正在努力推广它).您要做的是为不同类型的变量分配不同的步骤方法.例如：

step1 = pm.NUTS(vars=[p,q])step2 = pm.Metropolis(vars=[A])trace = pm.sample(3000,[step1,step2],start)

总结

以上是内存溢出为你收集整理的python – 当涉及离散变量时,pymc3与pymc2的困难全部内容，希望文章能够帮你解决python – 当涉及离散变量时,pymc3与pymc2的困难所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错，欢迎将内存溢出网站推荐给程序员好友。