使用pymc模型生成新数据的预测

Question

从典型的机器学习的角度来看，在建模过程中通常会考虑两个阶段：培训和评分。我想用pymc实现类似的功能，但我发现这非常困难。在

考虑一些简单的事情，比如线性回归。我有一个输入数据矩阵X和一个目标向量y。也许我通过一个确定性函数给X添加一些新的变量，这样X_det就是一个确定性变量。正如通常所做的那样，我们定义了一个确定性y_hat，它结合了系数b和数据{}，以及随机观测变量{}：

@pymc.deterministic
def y_hat(b=b, X=X_det):
    return np.dot(X, b)

Y_obs = pymc.Normal(name='Y', mu=y_hat, tau=tau, value=y, observed=True)

我还可以添加一个模拟变量来方便地捕捉预测的后验点：

^{pr2}$

我可以很容易地为此创建模型，运行MCMC来获得系数b和预测Y_sim的后验点。在

但是，有没有一种简单的方法来生成一个新的预测后验概率（即在推断中没有使用）预测数据，比如X_test？据我所知，您可能可以通过使用numpy.ma.MaskedArray来实现这一点，在这里您连接X和{}（称之为X_concat），并将{}与一些伪值连接，以匹配X_concat的长度，并屏蔽这些伪值。但是，这感觉很笨拙，需要一个固定的X_test。如果我想给X_test2打分，我必须重新运行MCMC采样。因为您已经有了跟踪数据，所以这感觉太过分了。在

我想我要搜索的是一种与pymc.Model相关联的函数，它获取随机变量的值并返回确定性变量的值。也许是一些

model = pymc.Model([X_det, Y_obs, Y_sim, b, y_hat, tau, ...])
mcmc = pymc.MCMC(model)

# Score new data:
y_predicted = model.magic_function(X_test, mcmc.trace)

这类似于predict回归函数。原则上看来，这应该是可能的，也不太难，但对我来说，我找不到一个好的方法来实现这一点。但我想这种情况经常出现。有人有什么想法或建议吗？在