Skip to main content
 首页 » 编程设计

python之pymc的随机变量中的logp

2025年05月04日8cloudgamer

我对 logp 有一个非常内在的困惑。我想通过网页上的一个例子来解释,这样我就不会没有很好地解释它。

我编写了 disaster_model.py,如本教程中所示: http://pymc-devs.github.io/pymc/tutorial.html

我启动了一个 python shell 并在导入了所有必需的模块之后,我执行了以下操作

In [2]: import disaster_model 
Out[2]: -2.9780301980174 
 
In [3]: disaster_model.switchpoint.logp 
Out[3]: -4.709530201312334 
 
In [4]: disaster_model.late_mean.logp 
Out[4]: -2.407183392124894 
 
In [5]: disaster_model.early_mean.logp 
Out[5]: -2.9780301980174 
 
M = MCMC(disaster_model) 
M.sample(iter = 10000, burn = 1000, thin = 10) 
 
In [11]: M.switchpoint.logp 
Out[11]: -4.709530201312334 
 
In [12]: M.early_mean.logp 
Out[12]: -3.2263189370368117 
 
In [13]: M.late_mean.logp 
Out[13]: -0.9012784557735074 
 
In [14]: M.disasters.logp 
Out[14]: -164.37141285002255 

我将再次强调该行(写在 disaster_model.py 中)

disasters = Poisson('disasters', mu=rate, value=disasters_array, observed=True

因此,灾难的值(value)永远不会改变。

现在我的问题是

1) 为什么除开关点之外的每个变量的对数概率都发生了变化?

(请解释为什么日志概率应该改变,如果他们应该改变,那么为什么 swithpoint 没有)

2) 新旧对数概率代表什么?

(这是 ipython shell 而不是 python,但这无关紧要)

请您参考如下方法:

虽然回复晚了,但无论如何。你的问题。

1) 为什么除切换点外的每个变量的对数概率都发生了变化?

logp 属性给出变量的对数概率,给定其父项。 switchpoint 的先验分布是从 0 到 110 年的离散均匀分布,其父节点是均匀分布的下界和上界。无论switchpoint取什么值,它的概率质量都是1/111,所以它的先验对数概率是ln(1/111) = -4.70953,这个永远不会变。

当 MCMC 算法在随机变量空间中跳跃时,其他变量(early_mean 和 late_mean)的对数概率发生变化,因为它们的先验分布被定义为指数分布, 不统一。

2) 新旧对数概率代表什么?

在您的问题中,对数概率表示随机变量 early_mean、late_mean 和 switchpoint 的对数先验概率,因为它们“当前”值。您可以通过评估 np.log(scipy.stats.expon.pdf(M.early_mean.value, scale=1)) 并与 M.early_mean.logp。请注意,指数分布中的尺度参数反射(reflect)了 disaster_model.py 中定义的尺度参数。