Я обновляю некоторые вычисления, где я использовал pymc2 для pymc3, и у меня возникают некоторые проблемы с поведением пробоотборников, когда у меня есть некоторые дискретные случайные величины на моей модели. В качестве примера рассмотрим следующую модель с использованием pymc2:Трудности с pymc3 по сравнению с pymc2 при использовании дискретных переменных
import pymc as pm
N = 100
data = 10
p = pm.Beta('p', alpha=1.0, beta=1.0)
q = pm.Beta('q', alpha=1.0, beta=1.0)
A = pm.Binomial('A', N, p)
X = pm.Binomial('x', A, q, observed=True, value=data)
Это на самом деле не представитель ничего, это просто модель, в которой один из ненаблюдаемых переменных является дискретным. Когда я попробовать эту модель с pymc2 я получаю следующие результаты:
mcmc = pm.MCMC(model)
mcmc.sample(iter=100000, burn=50000, thin=100)
plot(mcmc)
Но когда я пытаюсь то же самое с PYMC3, я получаю это:
with pm.Model() as model:
N = 100
p = pm.Beta('p', alpha=1.0, beta=1.0)
q = pm.Beta('q', alpha=1.0, beta=1.0)
A = pm.Binomial('A', N, p)
X = pm.Binomial('x', A, q, observed=10)
with model:
start = pm.find_MAP()
with model:
step = pm.NUTS()
trace = pm.sample(3000, step, start)
pm.traceplot(trace)
Похоже, что переменная A не является отбирается вообще. Я не много читал о методе выборки, используемом в pymc3, но я заметил, что он, похоже, особенно нацелен на непрерывные модели. Означает ли это, что он исключает дискретные ненаблюдаемые переменные на модели или есть ли способ сделать то, что я пытаюсь сделать?
Я подозревал, что это что-то вроде этого. Во всяком случае, возможность добавлять определенные пробоотборники к каждой переменной очень хороша! Спасибо за эту большую библиотеку. –