PyMC3確定性變量的後驗預測性檢查

對隨機變量（呈現確定性也是隨機的）作爲輸入的變量進行後驗預測檢驗的正確方法是什麼？

太短;不明白

說我們有一個pymc3模式是這樣的：

import pymc3 as pm 

with pm.Model() as model: 
    # Arbitrary, trainable distributions. 
    dist1 = pm.Normal("dist1", 0, 1) 
    dist2 = pm.Normal("dist2", dist1, 1) 

    # Arbitrary, deterministic theano math. 
    val1 = pm.Deterministic("val1", arb1(dist2)) 

    # Arbitrary custom likelihood. 
    cdist = pm.DensityDistribution("cdist", logp(val1), observed=get_data()) 

    # Arbitrary, deterministic theano math. 
    val2 = pm.Deterministic("val2", arb2(val1))

我可能是誤會，但我的本意是爲dist1和dist2後驗進行採樣，併爲那些樣品喂入確定性變量。後驗預測檢查是否只能在觀察到的隨機變量上進行？

它的簡單，從使用pymc3.sampling.sample_ppcdist2和其他隨機變量得到後預測的樣本，但大多數我的模型的價值是從val1和val2狀態得出，給出的樣本。

問題出現在pm.Deterministic(.)似乎返回th.TensorVariable。所以，當這被稱爲：

ppc = pm.sample_ppc(_trace, vars=[val1, val2])["val1", "val2"]

...和pymc3嘗試在pymc3.sampling的代碼塊：

410  for var in vars: 
--> 411   ppc[var.name].append(var.distribution.random(point=param, 
    412               size=size))

...它抱怨，因爲th.TensorVariable顯然不具有.distribution。

那麼，通過確定性來推導隨機樣本後驗樣本的正確方法是什麼？我是否需要明確創建一個採用隨機後驗樣本並計算確定性值的th.function？這看起來很愚蠢，因爲pymc3已經有圖表。

來源

2017-02-10 azane

是的，我誤解了.sample_ppc的目的。您不需要它用於未觀察到的變量，因爲這些變量具有跟蹤中的樣本。觀察到的變量不是從中採樣的，因爲它們的數據是被觀察到的，因此您需要sample_ppc來生成樣本。

總之，我可以從跟蹤中收集pm.Deterministic變量的樣本。

來源

2017-02-13 21:36:37 azane

PyMC3確定性變量的後驗預測性檢查

回答

相關問題