增量模型更新pyMC3

是否可以增量更新pyMC3中的模型？目前我无法找到关于此的信息。所有文档始终与先前已知的数据一起工作。增量模型更新pyMC3

但在我的理解中，贝叶斯模型也意味着能够更新信念。这可能在pyMC3中吗？我在哪里可以找到这方面的信息？

谢谢:)

2016-11-29 Christian

AFAIK，这在PyMC3中没有实现。尽管如此，你可以这么做_manually_，只是使用一些数据和事先使用PyMC3来更新来计算后验，然后使用后验。你可能想问这个问题[这里]（https://gitter.im/pymc-devs/pymc） – aloctavodia

不，主要的限制是每次更新之后，你必须在合并之前将你的后辈转换为先验下一批数据。 –

澄清：我想建立一个模型，预测何时发生某些事件。每当发生实际事件时，我想更新我的信念。我可以在pymc3中做到这一点吗？据我了解，图书馆大多支持MCMC，因此并不真正适用于简单的贝叶斯更新，还是它？我基本上试图使用库，因为我可以建立复杂的模型，例如我的多个事件共享某些知识。 – Christian

继@ ChrisFonnesbeck的意见，我写了增量更新之前，一个小教程笔记本。它可以在这里找到：

https://github.com/pymc-devs/pymc3/blob/master/docs/source/notebooks/updating_priors.ipynb

基本上，你需要用你的后路样品中，从他们的计算KDE的自定义连续类。下面的代码就是这样做的：

def from_posterior(param, samples): 

    class FromPosterior(Continuous): 

     def __init__(self, *args, **kwargs): 
      self.logp = logp 
      super(FromPosterior, self).__init__(*args, **kwargs) 

    smin, smax = np.min(samples), np.max(samples) 
    x = np.linspace(smin, smax, 100) 
    y = stats.gaussian_kde(samples)(x) 
    y0 = np.min(y)/10 # what was never sampled should have a small probability but not 0 

    @as_op(itypes=[tt.dscalar], otypes=[tt.dscalar]) 
    def logp(value): 
     # Interpolates from observed values 
     return np.array(np.log(np.interp(value, x, y, left=y0, right=y0))) 

    return FromPosterior(param, testval=np.median(samples))

然后你之前你的模型参数（比如alpha）通过调用from_posterior功能与参数名称，并从以前的迭代后的跟踪样本定义：

alpha = from_posterior('alpha', trace['alpha'])

来源

2017-03-09 08:31:36

增量模型更新pyMC3

回答

相关问题