我对python和pymc相当陌生,并希望尝试使用pymc进行学习以解决问题。我从祖父母到儿子建模简单的孟德尔遗传,但我不了解如何多次重新应用相同的随机模型。任何帮助表示赞赏。
@py.stochastic
def childOf(value=1, d=0, m=0):
pdra=d/2
pmra=m/2
# now return likelihood
if (value==0):
return -np.log((1-pdra)*(1-pmra))
elif (value==1):
return -np.log((1-pdra)*(pmra)+(pdra)*(1-pmra))
else:
return -np.log((pdra*pmra))
p = [0.25,0.5,0.25]
gdd = py.Categorical("gdd", p, size=1)
gdm = py.Categorical("gdm", p, size=1)
gmd = py.Categorical("gmd", p, size=1)
gmm = py.Categorical("gmm", p, size=1)
gm=childOf('gm',d=gmm,m=gmd)
gd=childOf('gd',d=gdm,m=gdd)
gs=childOf('gs',d=gm,m=gd)
错误是一个以TypeError结尾的长字符串:' numpy.ndarray'对象在第一个ChildOf上无法调用
答案 0 :(得分:0)
您没有正确使用Stochastic
对象。 childOf
本身就是一个PyMC对象,而不是你在最后三行尝试做的PyMC对象的构造函数。更好的方法是指定对数概率函数,并将其用作每个对象的logp
属性。例如:
import pymc as pm
import numpy as np
def childOf_logp(value=1, d=0, m=0):
pdra=d/2
pmra=m/2
# now return likelihood
if (value==0):
return -np.log((1-pdra)*(1-pmra))
elif (value==1):
return -np.log((1-pdra)*(pmra)+(pdra)*(1-pmra))
else:
return -np.log((pdra*pmra))
@pm.stochastic
def childOf_pm(value=1, d=gmm,m=gmd):
logp = childOf_logp