此链接显示了M＆amp; M问题的PyMC解决方案： http://dataorigami.net/blogs/napkin-folding/29036419-bayesian-m-m-problem-in-pymc-2
为了尝试以稍微不同的方式解决问题，我使用了以下方法：
import pymc as pm
p = [
#brown, yellow, red, green, orange, tan, blue
[.3, .2, .2, .1, .1, .1, .0], # 1994 bag
[.13, .14, .13, .2, .16, .0, .24] # 1996 bag
]
theta = pm.DiscreteUniform('theta', lower=0, upper=1)
@pm.deterministic
def first_bag_selection(p=p, theta=theta):
return p[theta]
@pm.deterministic
def second_bag_selection(p=p, theta=theta):
return p[1-theta]
first_bag = pm.Categorical('first_bag', first_bag_selection, value=1, observed=True)
second_bag = pm.Categorical('second_bag', second_bag_selection, value=3, observed=True)
model = pm.MCMC([p, theta, first_bag_selection, second_bag_selection, first_bag, second_bag])
model.sample(10000, 1000, 10)
model.summary()
pm.Matplot.plot(model)
然而，训练后'theta'的平均值变为0.416，即 打印（model.trace（ 'THETA'）[：]意味着（）） 0.416333333333
虽然链接的解决方案对选择旧包的后验概率提出了不同的答案。你能评论一下吗？