我尝试使用PyMC3比较两个模型（来自Jake Vanderplas＆blog;博客的example），但我无法使用我修改过的代码（函数{{1} }和best_theta()在Jake的博文中有解释，该文章以IPython Notebook形式提供）：
logL()引发异常，因为变量degrees = [1, 2, 3]
# best_theta() finds the best set of parameters for a given model
thetas = [best_theta(d) for d in degrees]
n = len(degrees)
prob = np.array([ 1 for _ in degrees ])
# model specs
from pymc3 import Model, Dirichlet, Categorical, DensityDist
with Model() as bfactor:
choices = Dirichlet('choices', prob, shape=prob.shape[0])
choice = Categorical('choice', choices)
indmodel = [0] * len(degrees)
for i, d in enumerate(degrees):
# logL() calculates the log-likelihood for a given model
indmodel[i] = DensityDist('indmodel', lambda value: logL(thetas[i]))
fullmodel = DensityDist('fullmodel', lambda value: indmodel[choice].logp(value))
是RV对象，而不是整数（与PyMC2不同），如this question中所述。但是，在我的代码中，choice的值对于使其有效非常重要。
我的问题是，有没有办法访问RV choice的值，或者更一般地使用分类随机变量建立分层模型（即使用分类RV的值来计算对数似然另一辆房车？）
答案 0 :(得分：2)
我快速刺了一下。但是，这种方法需要进行相当多的改动，因为它通常更方便地对模型进行矢量化。这也揭示了我修复了一个错误（https://github.com/pymc-devs/pymc3/commit/c784c478aa035b5113e175145df8751b0dea0df3），所以你需要从当前的主人更新才能使用。
这是完整的NB： https://gist.github.com/anonymous/c1ada3388a40ae767a8d
它似乎还没有完成，因为结果并不相同，但它是迈向正确方向的一步。