这可能是个愚蠢的问题。
我正在尝试使用 PyMC 中的 MCMC 评估将数据拟合到一个非常奇怪的 PDF。对于这个例子,我只想弄清楚如何适应我手动输入正态 PDF 的正态分布。我的代码是:
data = [];
for count in range(1000): data.append(random.gauss(-200,15));
mean = mc.Uniform('mean', lower=min(data), upper=max(data))
std_dev = mc.Uniform('std_dev', lower=0, upper=50)
# @mc.potential
# def density(x = data, mu = mean, sigma = std_dev):
# return (1./(sigma*np.sqrt(2*np.pi))*np.exp(-((x-mu)**2/(2*sigma**2))))
mc.Normal('process', mu=mean, tau=1./std_dev**2, value=data, observed=True)
model = mc.MCMC([mean,std_dev])
model.sample(iter=5000)
print "!"
print(model.stats()['mean']['mean'])
print(model.stats()['std_dev']['mean'])
我发现的示例都使用 mc.Normal、mc.Poisson 或诸如此类的东西,但我想适应注释掉的密度函数。
如有任何帮助,我们将不胜感激。
最佳答案
一种简单的方法是使用随机装饰器:
import pymc as mc
import numpy as np
data = np.random.normal(-200,15,size=1000)
mean = mc.Uniform('mean', lower=min(data), upper=max(data))
std_dev = mc.Uniform('std_dev', lower=0, upper=50)
@mc.stochastic(observed=True)
def custom_stochastic(value=data, mean=mean, std_dev=std_dev):
return np.sum(-np.log(std_dev) - 0.5*np.log(2) -
0.5*np.log(np.pi) -
(value-mean)**2 / (2*(std_dev**2)))
model = mc.MCMC([mean,std_dev,custom_stochastic])
model.sample(iter=5000)
print "!"
print(model.stats()['mean']['mean'])
print(model.stats()['std_dev']['mean'])
请注意,我的 custom_stochastic 函数返回对数似然,而不是似然,它是整个样本的对数似然。
还有一些其他方法可以创建自定义随机节点。这doc提供了更多细节,这 gist包含一个使用 pymc.Stochastic 创建具有核密度估计器的节点的示例。
关于python - 定义自定义 PyMC 发行版,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/17603935/