Question

我在使用PyMC时遇到了一些问题，这是一个用于蒙特卡罗模拟的python包。我想知道这是PyMC中的错误还是我的问题。

在这个例子中，我们有一个只有两个节点的模型：A，B。 B是依赖于A的分类，在某种意义上，A的值用于通过（确定性）帮助函数（确定性地）获得B的概率：

from pymc import Categorical, deterministic, MCMC
from pylab import hist, show

ITER=5000
BURN = 0
THETA = 0.5

A = Categorical('A', p=[0.5, 0.5])

@deterministic(plot=False)
def B_helper(a=A):
    if A == 1:
        return [THETA, 1 - THETA]
    else:
        return [1 - THETA, THETA]

B = Categorical('B', p = B_helper, value=0, observed=True)
M = MCMC([A,B])

M.sample(iter=ITER, burn=BURN, thin=1)

hist(M.trace('A')[:])
show()

print("\n The probability of A=0 equals: %f" \
    % ((M.trace('A')[:]==0).sum()/float(ITER-BURN)))

对于THETA = 0.5人们会期望完全对称。贝叶斯规则给出了P(A=0|B=0) = 0.5。我获得了远离它的东西（它似乎收敛到1/3）。

现在，如果我通过添加＆＃34; dummy＆＃34;来改变上面的代码。在节点中概率为0的第一个状态，我确实得到了预期的结果：

from pymc import Categorical, deterministic, MCMC
from pylab import hist, show

ITER=50000
BURN = 0
THETA = 0.5

A = Categorical('A', p=[0, 0.5, 0.5])  # Note the first state is "dummy" with zero probability.

@deterministic(plot=False)
def B_helper(a=A):
    if A == 0:
        return 0
    elif A == 1:
        return [0, THETA, 1 - THETA]  # Note the first state is "dummy" with zero probability.
    else:
        return [0, 1 - THETA, THETA]  # Note the first state is "dummy" with zero probability.

B = Categorical('B', p = B_helper, value=1, observed=True)
M = MCMC([A,B])

M.sample(iter=ITER, burn=BURN, thin=1)

hist(M.trace('A')[:])
show()

print("\n The probability of A=1 equals: %f" \
    % ((M.trace('A')[:]==0).sum()/float(ITER-BURN)))

这里状态0是A和B的虚拟状态。对于THETA = 0.5我应该得到（由于贝叶斯规则的对称性）P(A=1|B=1) = 0.5。我明白了。此外，＆＃34;虚拟＆＃34;的位置。国家很重要。如果我将虚拟对象设置为状态2，就像下面的代码一样，我再次得到错误的结果。

from pymc import Categorical, deterministic, MCMC
from pylab import hist, show

ITER=50000
BURN = 0
THETA = 0.5

A = Categorical('A', p=[0.5, 0.5, 0])  # Note I changed the order: dummy state is now the third.

@deterministic(plot=False)
def B_helper(a=A):
    if A == 0:
        return 0
    elif A == 1:
        return [THETA, 1 - THETA, 0]  # Note I changed the order: dummy state is now the third.
    else:
        return [1 - THETA, THETA, 0]  # Note I changed the order: dummy state is now the third.

B = Categorical('B', p = B_helper, value=1, observed=True)
M = MCMC([A,B])

M.sample(iter=ITER, burn=BURN, thin=1)

hist(M.trace('A')[:])
show()

print("\n The probability of A=1 equals: %f" \
    % ((M.trace('A')[:]==0).sum()/float(ITER-BURN)))

我要么监督一些微妙的东西（希望不是完全明显的），要么分类在pymc中做一些奇怪的事情（logp值似乎没问题）。

我已经在github网站上发布了这个，但可以理解的是，获取答案需要更长的时间。如果这是我的一些问题，我想我会在这里更快地知道。任何帮助赞赏。的问候，

这是PyMC中的错误吗？

0 个答案: