使用PyMC3计算最大似然

2 回答

• 1

  可能是更简单的解决方案将传递参数 transform=None ，以避免PyMC3进行转换然后使用 find_MAP

  我让你和一个简单模型的例子 .

  data = np.repeat((0, 1), (3, 6))
  with pm.Model() as normal_aproximation:
      p = pm.Uniform('p', 0, 1, transform=None)
      w = pm.Binomial('w', n=len(data), p=p, observed=data.sum())
      mean_q = pm.find_MAP()
      std_q = ((1/pm.find_hessian(mean_q))**0.5)[0]
  print(mean_q['p'], std_q)
  

  你考虑过使用ADVI吗？

  回复于 2024-05-14T11:10:26+08:00
• 1

  我再次遇到这个问题，并找到了一种方法来从转换后的值中获得未转换的值 . 以防其他人需要这样做 . 它的要点是未转换的值基本上是可以在给定转换值的情况下评估的theano表达式 . PyMC3通过提供 Model.fn() 函数来帮助实现这一点，该函数创建了一个按名称接受值的评估函数 . 现在，您只需要为 outs 参数提供感兴趣的未转换变量 . 一个完整的例子：

  data = np.repeat((0, 1), (3, 6))
  with pm.Model() as normal_aproximation:
      p = pm.Uniform('p', 0, 1)
      w = pm.Binomial('w', n=len(data), p=p, observed=data.sum())
      map_estimate = pm.find_MAP()
  # create a function that evaluates p, given the transformed values
  evalfun = normal_aproximation.fn(outs=p)
  # create name:value mappings for the free variables (e.g. transformed values)
  inp = {v:map_estimate[v.name] for v in model.free_RVs}
  # now use that input mapping to evaluate p
  p_estimate = evalfun(inp)
  

  outs 也可以接收变量列表，然后 evalfun 将以相同的顺序输出相应变量的值 .

  回复于 2024-05-14T11:10:26+08:00