pymc3

0热度

1回答

我正在嵌套逻辑回归模型用3次的成果表示选择A的适当的规格，B或C的第一级表示A和B或C之间的选择，并且所述第二级别代表B和C之间的选择。某些组成数据的代码位于下方，但我不确定是否正确指定了模型。根据定义，B或C的概率大于B的概率，但是对于非常小的样本量，当从后验采样时，“BorC”可能小于B.这样的小样本大小可能不会在实际数据中出现我很感兴趣，但事实发生了这种事实让我觉得我做错了什么。谢谢！ im

0热度

1回答

使用确定性分布的PyMC3代码中的AssertionError

我一直试图在过去的日子里习惯于PyMC最终从我有直接代码（我最终对参数估计感兴趣）的某些模型中进行一些MCMC分布采样。据我所知，没有那么多的例子显示他们的代码（如外部C或FORTRAN代码），他们成功地使用PyMC3工作。到目前为止，我发现了here或here贿赂。因此，从简单的问题开始，我尝试用PyMC3复制现有Python代码中的一些结果，这些结果来自于使用PyMC的“复杂”（阅读：比do

0热度

1回答

用from_formula更改之前的Pymc3

我正在从Kaggle（一个关于人类资源）的数据集上工作我试图实现一些贝叶斯统计（逻辑回归），但我不明白如何更改此模型中的先验（我想拦截是一个无信息高斯和所有其他预测拉普拉斯） import pymc3 as pm priors = {"Intercept": pm.Normal('alpha', mu=0, sd=100), "Regressor": pm.Laplace('bet

1热度

1回答

保存Pymc3模型到磁盘simmpling

我已经使用Pymc3建立了深刻的贝叶斯神经网络之后，我已经训练我的模型，并得到我需要的样本。现在我'搜索保存这个拟合模型到磁盘我试图pickl，但是当我改变测试数据集的大小我得到这个错误高清save_model（跟踪，网络，ann_input，NUM）：打印（“中”）张开（ 'my_model.pkl'， 'WB'）为浅黄色：和pickle.dump（{ '模式'：网络， '追踪'：跟踪

0热度

1回答

如何评价pymc3对数后验

欲评估数后验（理想地分开的先验对数和对数似然）的采样点和在一些手动输入的点（例如，用于合成的数据集的真实参数值点）值。我如何在PyMC3中实现这一点？更新：我找到了logp()方法，但是它不便于多点使用。是否有一些标准/惯用方法？更新：这[y.logp(trace[i]) for i in range(len(trace))]作品，但superslow。更新：缓慢是由于事实y是观察到的

2热度

1回答

pymc3多个高斯过程回归

我试图通过延伸的第一示例来运行具有两个功能的高斯过程回归在https://pymc-devs.github.io/pymc3/notebooks/GP-introduction.html n = 20 X = np.array([list(a) for a in zip(np.sort(3*np.random.rand(n)), np.sort(3*np.random.rand(n)))])

1热度

1回答

Pymc3中的随机索引

我对pymc3相当陌生，我试图理解如何以不同方式将随机变量加入模型中。我想适应以下（人为的）模型，但我无法在文档中找到任何支持。我尝试以下，但numpy的不允许这样的索引： seq = numpy.arange(10,y_train.size) basic_model = pymc3.Model() with basic_model: alpha = pymc3.Normal('a

3热度

1回答

不能禁用消息pymc3.find_MAP（）

对不起，这个愚蠢的问题，但我无法找到任何方式来禁用消息pymc3.find_MAP（）。作为PyMC3的新手，我想我已经学会了正确使用语法（颤抖）来做一个单一的MAP估计，给定先验函数和似然函数。我即将尝试扩展这个范围来处理大量的变量，但为了消除我得到的类型的消息，例如：优化已成功终止。 Current function value: 1.889038 Iterations:2 Func

1热度

1回答

样本与多组数据相同的模型

我想使用相同的pymc3模型来适应许多（~100）数据集。由于我找不到重复使用模型的方法，因此我创建了新模型。这是基本的代码： for i in range(100): Y = data[i] mod = pm.Model() with mod: p = pm.Uniform('p',lower=0.1,upper=3 ,testval=2) Y_

0热度

1回答

改性负二项式GLM在Python

软件包pymc3和statsmodels可以在Python处理负二项式GLMS如图here： E（Y）= E ^（beta_0 +西格玛（X_I * beta_i））在哪里X_i s是我的预测变量，Y是我的因变量。有没有办法强制我的变量（例如X_1）具有beta_1=1，以便算法优化其他系数。我愿意同时使用pymc3和statsmodels。谢谢。