Я пробую очень простую модель: подгонка к нормальному, где я предполагаю, что знаю точность, и я просто хочу найти среднее. Код ниже, кажется, соответствует нормальному. Но после подгонки я хочу взять образец из модели, т.е. сгенерировать новые данные, которые похожи на мою data
переменную. Я знаю, что могу использовать, trace("mean")
чтобы получить образцы для средней переменной. Но как я могу получить новые образцы от самой модели?
Я посмотрел на документы, например, http://pymc-devs.github.io/pymc/database.html#accessing-sampled-data . Я также рассмотрел довольно много примеров, например, горные бедствия, и несколько из записных книжек по вероятностному программированию, и ни один из них не упоминает об этом. Я (более или менее начинающий MCMC) ожидал, что выборка из подобранной модели - это весь смысл! Что мне не хватает?
from pymc import *
data = np.array([-1, 0, 4, 0, 2, -2, 1, 0, 0, 2, 1, -3, -1, 0, 0, 1, 0, 1])
mean = Uniform("mean", -4, 4)
precision = 2.0**-2
obs = Normal("obs", mean, precision, value=data, observed=True)
model = Model( {"mean": mean, "obs": obs})
mcmc = MCMC(model)
mcmc.sample(10000, 1000, 1)
# I can get samples for the "mean" variable
mean_samples = mcmc.trace("mean")[:]
hist(mean_samples)
# but how can I do the equivalent of mcmc.trace("obs")?
Ответы:
Вы ищете то, что называется прогнозным распределением . Включить это очень просто. Перед созданием
Model
добавьте дополнительную стохастическую переменную:Это создаст искусственные данные из подобранной модели. Спасибо за то, что привлекли мое внимание к этому упущению, я включу его в проект BMH.
источник
Пришел сюда несколько лет спустя, когда искал то же самое с помощью PyMC3, поэтому я собираюсь оставить ответ, относящийся к новой версии: (из Posterior Predictive Checks ).
источник