Question

是否可以在pyMC3中逐步更新模型。我目前无法找到相关信息。所有文档始终使用先验已知数据。

但在我的理解中，贝叶斯模型也意味着能够更新信念。这在pyMC3中是否可行？我在哪里可以找到这方面的信息？

谢谢：）

Answer 1

按照@ ChrisFonnesbeck的建议，我写了一个关于增量先前更新的小教程笔记本。它可以在这里找到：

https://github.com/pymc-devs/pymc3/blob/master/docs/source/notebooks/updating_priors.ipynb

基本上，您需要将后验样本包装在自定义的连续类中，该类从中计算KDE。以下代码就是这样做的：

def from_posterior(param, samples):

    class FromPosterior(Continuous):

        def __init__(self, *args, **kwargs):
            self.logp = logp
            super(FromPosterior, self).__init__(*args, **kwargs)

    smin, smax = np.min(samples), np.max(samples)
    x = np.linspace(smin, smax, 100)
    y = stats.gaussian_kde(samples)(x)
    y0 = np.min(y) / 10 # what was never sampled should have a small probability but not 0

    @as_op(itypes=[tt.dscalar], otypes=[tt.dscalar])
    def logp(value):
        # Interpolates from observed values
        return np.array(np.log(np.interp(value, x, y, left=y0, right=y0)))

    return FromPosterior(param, testval=np.median(samples))

然后通过使用参数名称和前一次迭代后面的跟踪样本调用alpha函数来定义模型参数的先验（例如from_posterior）：

alpha = from_posterior('alpha', trace['alpha'])

使用PyMC3进行增量模型更新

1 个答案: