Skip to main content
 首页 » 编程设计

python之使用 Pymc3 的条件概率

2025年05月04日11xing901022

我的问题是如何使用PYMC3包进行条件概率模型。

我有一组数据a_observed、b_observed、c_observed,我想找出它们之间的关系。我怀疑a,b,c都是正态分布,b依赖a,c依赖a,b。我需要找到参数。

到目前为止我有:

with model: 
 
    # define priors 
    muA = pm.Uniform('muA', lower=0, upper=24) 
    muB = pm.Uniform('muB', lower=0, upper=24) 
    muC = pm.Uniform('muC', lower=0, upper=24) 
 
    sigmaA = pm.Uniform('sigmaA', lower=0, upper=1000) 
    sigmaB = pm.Uniform('sigmaB', lower=0, upper=1000) 
    sigmaC = pm.Uniform('sigmaC', lower=0, upper=1000) 
 
    distributionA = pm.Normal('a', mu = muA, sd = sigmaA, observed = a_observed) 
    distributionB = pm.Normal('b', mu = muB, sd = sigmaB, observed = b_observed) 
    distributionC = pm.Normal('c', mu = muC, sd = sigmaC, observed = c_observed) 
 
    start = pm.find_MAP() 
    step = pm.Slice() 

现在我希望A独立,B|A,C|A,B。 PYMC3 中执行此操作的最佳方法是什么?我在这里看到了 lambda 函数 http://healthyalgorithms.com/2011/11/23/causal-modeling-in-python-bayesian-networks-in-pymc/ ,但这种方法直接给出了条件概率。

此外,我想知道将模型扩展到具有更复杂依赖关系的三个以上变量有多容易。谢谢!

请您参考如下方法:

请看下面的问题:Simple Bayesian Network via Monte Carlo Markov Chain ported to PyMC3 .在相关的要点中,我将您在上面引用的 PyMC2 示例移植到了 PyMC3。关键是使用 pm.Deterministic() 和 pm.math.switch()。我希望这会有所帮助。