Skip to main content
 首页 » 编程设计

python之如何使用 pymc 2 对两个泊松分布的总和进行建模

2024年10月25日13lonelyxmas

我正在尝试使用 pymc 2 为一个简单的概率编程示例建模。我一直在使用其他语言,例如 Church 和 Anglican,并且能够毫无困难地为这个问题建模。但是,我似乎无法在 Python 中弄明白。

这是 code in Anglican ,我认为这是不言自明的:

[assume a (- (poisson 100) 100)] 
[assume b (- (poisson 100) 100)] 
[observe (normal (+ a b) .00001) 7] 
[predict (list a b)] 

使用 Metropolis-Hastings 采样器,我得到:

   1 (10 1) 
   2 (10 8) 
9977 (7 0) 
  20 (7 1) 

使用 Particle Gibbs,我得到:

 669 (-1 8) 
  71 (-10 17) 
  66 (-11 18) 
 208 (-12 19) 
  19 (-13 20) 
  84 (-14 21) 
  72 (-15 22) 
 441 (-2 9) 
...and so on... 

我正在尝试在 pymc 中对此进行建模:

def make_model(): 
    a = (pymc.Poisson("a", 100) - 100) 
    b = (pymc.Poisson("b", 100) - 100) 
 
    precision = pymc.Uniform('precision', lower=.0001, upper=1.0) 
 
    @pymc.deterministic 
    def mu(a=a, b=b): 
        return a+b 
 
    y = pymc.Normal("y", mu=mu, tau=precision, observed=True, value=7) 
 
    return pymc.Model(locals()) 
 
def run_mcmc(model): 
    mcmc = pymc.MCMC(model) 
    mcmc.sample(5000, burn=1000, thin=2) 
    return mcmc 
 
result = run_mcmc(make_model()) 
pymc.Matplot.plot(result) 

我得到 a 和 b 大约为 100 的轨迹。但是,如果我运行 (pymc.Poisson("a", 100) - 100).value,我得到的数字更接近0.

我是不是漏掉了什么?我对这些可能性感到很兴奋,但现在我很困惑!感谢您的帮助!

请您参考如下方法:

如果我理解正确的话,这是一个很好的例子来说明 Anglican 和 PyMC 在思维上的一些差异。

这是您的 PyMC 代码的调整版本,我认为它捕获了您的意图:

def make_model(): 
    a = pymc.Poisson("a", 100)  # better to have the stochastics themselves available 
    b = pymc.Poisson("b", 100) 
 
    precision = 1e-4**-2 #  Seems like precision is fixed in Anglican model (and different from the meaning of precision in PyMC) 
 
    @pymc.deterministic 
    def mu(a=a, b=b): 
        return (a-100) + (b-100) 
 
    y = pymc.Normal("y", mu=mu, tau=precision, observed=True, value=7) 
 
    return pymc.Model(locals()) 
 
def run_mcmc(model): 
    mcmc = pymc.MCMC(model) 
    mcmc.use_step_method(pymc.AdaptiveMetropolis, [mcmc.a, mcmc.b]) 
    mcmc.sample(20000, burn=10000, thin=10) 
    return mcmc 
 
result = run_mcmc(make_model()) 
pymc.Matplot.plot(result) 

以下是我的代码中的主要区别:

  • a 和 b 是随机的。当您在您的版本中使用 (stochastic - 100) 东西时,PyMC 做了一些太聪明的事情而不利于自己的利益
  • precision 是一个数字,不是随机数,是一个大数字,而不是一个小数字。这是因为 PyMC 使用精度表示正态分布中的 1/方差,但在 Anglican 中(我认为)精度表示您需要等式运算符的精度有多接近。
  • mcmc采用自适应Metropolis step方式,burn-in时间较长。这很重要,因为 a 和 b 的联合后验分布具有极大的相关性,除非弄清楚这一点,否则 MCMC 步骤将无处可去。

这里是 an IPython Notebook这显示了更多细节。