PYMC декораторы ключевых слова означают: след, сюжет

Question

я играл с PYMC и в линейной регрессии коде я сгенерировал стохастическую переменный с помощью стохастического декоратора:

@pymc.stochastic(observed=True, trace=True) 
def model(value = y_data, x_values = x_data, m = m_coef, n = n_coef, sigma = sigma): 
    value_theo  = m*x_values + n 
    chi_sq   = np.sum(np.square(value - value_theo)/np.square(sigma)) 
    log_ChiSq  = - chi_sq/2.0 
    return log_ChiSq 

Я хотел бы построить эволюцию log_chisq по извилистому Итерации MCMC. Однако след для этой переменной, кажется, не хранить ...

Поэтому мои вопросы:

1) Где я могу найти определение, или пример смысла pymc декоратор ключевых слов, таких как сюжет или трассировать?

2) Почему след стоковой (но наблюдаемой) переменной не сохраняется в виде следа?

спасибо

import numpy as np 
import matplotlib.pyplot as plt 
import pymc 

#Generating some data for the model_difference y = m * x + n 
m_true, n_true = 3, 2 
sigma_true  = 2 
x_true   = 25 * (np.random.random(50) - 0.5) 
y_true   = m_true * x_true + n_true 

#Adding some scatter 
x_data, y_data = x_true, y_true 
x_data, y_data = np.random.normal(x_true, 2), np.random.normal(y_true, 2) 

#Providiing estimates for priors 
Np_lsf   = np.polyfit(x_data, y_data, 1) 
m_0, n_0  = Np_lsf[0], Np_lsf[1] 

#Priors 
m_coef   = pymc.Normal('m_coef', m_0, 0.01) 
n_coef   = pymc.Normal('n_coef', n_0, 0.01) 
sigma   = pymc.Uniform('sigma', 0.0, 5.0) 

#---Chi Square Moodel 
@pymc.stochastic(observed=True, trace=True) 
def model(value = y_data, x_values = x_data, m = m_coef, n = n_coef, sigma = sigma): 
    value_theo  = m*x_values + n 
    chi_sq   = np.sum(np.square(value - value_theo)/np.square(sigma)) 
    log_ChiSq  = - chi_sq/2.0 
    return log_ChiSq 


MCMC_dict2  = dict(m_coef=m_coef, n_coef=n_coef, sigma=sigma, model=model) 
M    = pymc.MCMC(MCMC_dict2) 
M.sample(iter=10000, burn=100) 

#Code variables 
print M.variables 

#MCMC ouput 
print '\nInitial m, n, estimations' 
print m_0, n_0 

print 'Bayesian estimation Model 2' 
print M.m_coef.value, M.n_coef.value, 'with Sigma:', M.sigma.value 

#Store pymc_tracers 
MCMC_Traces = [M.trace('m_coef')[:], M.trace('n_coef')[:], M.trace('sigma')[:], M.trace('model')[:]] 

# #Plotting regression 
Fig = plt.figure(figsize = (16, 9)) 
Axis1 = Fig.add_subplot(111) 
Fig.set_facecolor('w') 
Axis1.plot(x_data, y_data, 'ok') 
Axis1.plot(x_data, m_0 * x_data + n_0, '-', color='blue', label = 'least-squares fit') 
Axis1.plot(x_data, M.m_coef.value * x_data + M.n_coef.value, '-', color='red', label = r'$\chi^{-2}$ model') 
Axis1.plot(x_data, m_true * x_data + n_true, '-', color='black', label = r'true data model, $\sigma=$'+str(sigma_true)) 
Axis1.xlabel('x') 
Axis1.ylabel('y') 
Axis1.legend(loc='best') 
plt.show() 

Answer 1

Вы можете перейти к PyMC декоратора любые аргументы, которые вы передаете в объект PyMC если вы инстанцировании его непосредственно. observed, trace и plot, например, являются аргументами, которые любой Stochastic принял бы. Итак, чтобы узнать, что вы можете передать @stochastic, посмотрите на класс docstring.