我正在使用PyMC3,试图在PyMC3文档中安装mining disaster switchpoint model的修改版本。假设您有两个煤矿(mine1和mine2),在相同的年份范围内,每个煤矿都有类似的灾难计数
然而,mine1在实施降低灾难计数的安全程序变更方面晚了5年:
import numpy as np
import matplotlib.pyplot as plt
mine1=np.array([0,4,5,4,0,1,4,3,4,0,6,3,3,4,0,2,6,3,3,5,4,5,3,1,4,4,1,5,5,3,4,2,5,2,2,3,
4,2,1,3,0,2,1,1,1,1,3,0,0,1,0,1,1,0,0,3,1,0,3,2,2,0,1,1,1,0,1,0,1,0,0,0,
2,1,0,0,0,1,1,0,2,3,3,1,0,2,1,1,1,1,2,4,2,0,0,1,4,0,0,0,1]);
mine2=np.array([3,3,4,0,2,6,2,3,4,3,7,4,1,5,4,1,5,5,3,4,1,6,2,2,2,4,4,0,4,0,3,3,1,0,3,2,
0,0,1,0,1,1,0,0,3,0,0,3,1,1,0,1,1,1,0,0,0,0,1,1,1,3,1,0,1,0,0,2,0,1,2,2,
0,0,3,3,0,2,3,2,4,2,0,0,1,3,0,0,1,2,0,1,1,0,0,2,0,2,0,0,0]);
both_mines = mine1+mine2;
years = np.arange(1849,1950);
fig, axs = plt.subplots(2);
axs[0].plot(years, both_mines,'ko');
axs[0].legend(['mines_summed'],loc='upper right');
axs[0].set_ylabel('disaster count')
axs[1].plot(years, mine1,'ro');
axs[1].plot(years, mine2,'bo');
axs[1].legend(['mine1','mine2'],loc='upper right');
axs[1].set_ylabel('disaster count')
我感兴趣的是测试一个更好的模型是否适合于将年度计数相加,并将单个切换点拟合到该合计计数时间序列,或者将一个单独的模型拟合到两个矿井
import pymc3 as pm
with pm.Model() as model1:
switchpoint = pm.DiscreteUniform('switchpoint', lower=years.min(), upper=years.max());
early_rate = pm.Exponential('early_rate', 1)
late_rate = pm.Exponential('late_rate', 1)
rate = pm.math.switch(switchpoint >= years, early_rate, late_rate)
disasters_both_mines = pm.Poisson('disasters_both_mines', rate, observed=both_mines)
trace1 = pm.sample(10000,tune=2000);
pm.traceplot(trace1)
收益率与文档示例非常相似。以下是跟踪图:
在拟合保持矿井分离的模型时,我尝试了两种方法,由于不同的原因,这两种方法都是次优的。第一种方法是分别为每个矿井拟合两个数据可能性
with pm.Model() as model2a:
switchpoint_mine1 = pm.DiscreteUniform('switchpoint_mine1', lower=years.min(), upper=years.max());
switchpoint_mine2 = pm.DiscreteUniform('switchpoint_mine2', lower=years.min(), upper=years.max());
early_rate_sep = pm.Exponential('early_rate2', 1,shape=2)
late_rate_sep = pm.Exponential('late_rate2', 1,shape=2)
rate_mine1 = pm.math.switch(switchpoint_mine1>=years, early_rate_sep[0], late_rate_sep[0]);
rate_mine2 = pm.math.switch(switchpoint_mine2>=years, early_rate_sep[1], late_rate_sep[1]);
disasters_mine1 = pm.Poisson('disasters_mine1', rate_mine1, observed=mine1);
disasters_mine2 = pm.Poisson('disasters_mine2', rate_mine2, observed=mine2);
trace2a = pm.sample(10000,tune=2000);
pm.traceplot(trace2a);
合身感很好,而且对切换点的差异很敏感。然而,我无法计算WAIC或LOO值,这意味着我无法将拟合与模型1进行比较。我猜是因为有两组观测结果
例如
pm.waic(trace2a)
Traceback (most recent call last):
File "<ipython-input-270-122a6fb53049>", line 1, in <module>
pm.waic(trace2a)
File "<home dir>/opt/anaconda3/lib/python3.7/site-packages/pymc3/stats/__init__.py", line 24, in wrapped
return func(*args, **kwargs)
File "<home dir>/opt/anaconda3/lib/python3.7/site-packages/arviz/stats/stats.py", line 1164, in waic
raise TypeError("Data must include log_likelihood in sample_stats")
TypeError: Data must include log_likelihood in sample_stats
第二个想法是使用与Hierarchical Linear Regression example类似的方法,并结合使用串联、索引和先验的形状输出,以拟合每个参数的向量和单个数据似然
mine1_ind = np.ones(101,dtype=int)-1
mine2_ind = np.ones(101,dtype=int)*1
mine_ix = np.concatenate((mine1_ind,mine2_ind), axis=0);
concat_mines = np.concatenate((mine1,mine2), axis=0);
concat_years = np.transpose(np.concatenate((years,years), axis=0));
with pm.Model() as model2b:
switchpoint_mine1and2 = pm.DiscreteUniform('switchpoint_mine1and2', lower=years.min(), upper=years.max(),shape=2);
early_rate_mine1and2 = pm.Exponential('early_rate_mine1and2', 1,shape=2);
late_rate_mine1and2 = pm.Exponential('late_rate_mine1and2', 1,shape=2);
rate_mine1and2 = pm.math.switch(switchpoint_mine1and2[mine_ix]>=concat_years[mine_ix], early_rate_mine1and2[mine_ix], late_rate_mine1and2[mine_ix]);
disasters_mine1and2 = pm.Poisson('disasters_mine1and2', rate_mine1and2, observed=concat_mines);
trace2b = pm.sample(10000,tune=2000);
该模型适用,并允许计算WAIC。然而,从后验角度看,它不适合切换点
总之,有没有一种方法可以使模型2A以允许计算WAIC的方式进行拟合,或者可以对模型2B进行任何更改以使其更符合后验条件
非常感谢你的帮助
我没有一个明确的答案,但这里有一些建议,应该可以帮助你把事情做好
首先,将ArviZ更新为其最新版本,从错误消息中可以看出,您的版本比第一个版本旧,并且支持多种可能性。即使看起来您正在使用PyMC3函数,PyMC3也会将其绘图和统计数据委托给ArviZ
然后,我建议大家看看ArviZ的教育资源。目前有一个open PR来增加关于这类问题的指导。这是笔记本的link。我认为它处于一个足够先进的状态,是有用的。如果不是,还有其他关于here on SO或PyMC3语篇1,2的问题。这些应该包括一些额外的例子
最后,这里是这些详细答案的关键思想。第一个关键点是没有一个正确的答案,根据你想问的问题,waic/loo可以用不同的方法计算。第二个关键想法是ArviZ让我们选择如何计算waic/loo以适应所有可能的问题,因此在多个可能性情况下,需要对
log_likelihoods
组中的数据进行后处理相关问题 更多 >
编程相关推荐