在我写的模型中,我必须计算一个数量的误差函数。我正在试图做的是这样的:如何将自定义函数应用于PyMC中的变量?
from math import erf
import numpy as np
import pymc as pm
sig = pm.Exponential('sig', beta=0.1, size=10)
x = erf(sig ** 2)
因为erf
不会对数组工作,就会失败。我想:
@pm.deterministic
def x(sig=sig):
return [erf(s) for s in sig]
,但没有成功,我知道这是可能得到与结果:
np_erf = np.vectorize(erf)
x = np_erf((sig ** 2).value)
但是这似乎并不像正确的做法,因为它不会产生pm.Deterministic
但只是一个np.array
。我该怎么做呢? (PyMC是2.3版本)
编辑:以上的例子进行了简化为清楚起见,这里的什么相关的段落看在真正的代码。理想情况下,我想这个工作:
mu = pm.LinearCombination('mu', [...], [...])
sig2 = pm.exp(mu) ** 2
f = 1/(pm.sqrt(np.pi * sig2/2.0) * erf(W/sig2))
但如果失败与消息TypeError: only length-1 arrays can be converted to Python scalars
。去np.vectorize
路线
np_erf = np.vectorize(erf)
f = 1/(pm.sqrt(np.pi * sig2/2.0) * np_erf(W/sig2))
崩溃与相同的错误信息。该列表理解
@pm.deterministic
def f(sig2=sig2):
return [1/(pm.sqrt(np.pi * s/2.0) * erf(W/s)) for s in sig2]
作品本身,而是导致在后面的代码中的错误,在这个地方:
@pm.observed(plot=True)
def y(value=df['dist'], sig2=sig2, f=f):
return (np.log(np.exp(-(value ** 2)/2.0/sig2) * f)).sum()
,误差在AttributeError: log
。
我已经使用数值近似计算了误差函数,这应该表示一般设置是正确的。直接使用erf
函数会更好,更清晰。
啊哈!很高兴你明白了。前者可以用一些简单的功能,但不是全部。 –