下面的模型是PyMC教程的一部分,名为disaster_模型.py并且可以在主代码中导入用作模型:
"""
A model for the disasters data with a changepoint
changepoint ~ U(0, 110)
early_mean ~ Exp(1.)
late_mean ~ Exp(1.)
disasters[t] ~ Po(early_mean if t <= switchpoint, late_mean otherwise)
"""
from pymc import *
from numpy import array, empty
from numpy.random import randint
__all__ = ['disasters_array', 'switchpoint', 'early_mean', 'late_mean', 'rate', 'disasters']
disasters_array = array([ 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, 2, 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, 1, 2, 1, 1, 1, 1, 2, 4, 2, 0, 0, 1, 4,
0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 1, 0, 1])
# Define data and stochastics
switchpoint = DiscreteUniform('switchpoint', lower=0, upper=110, doc='Switchpoint[year]')
early_mean = Exponential('early_mean', beta=1.)
late_mean = Exponential('late_mean', beta=1.)
@deterministic(plot=False)
def rate(s=switchpoint, e=early_mean, l=late_mean):
''' Concatenate Poisson means '''
out = empty(len(disasters_array))
out[:s] = e
out[s:] = l
return out
disasters = Poisson('disasters', mu=rate, value=disasters_array, observed=True)
现在可以用MCMC-Metropolis-Hasting算法对分布进行抽样,得到参数的后验分布。在
^{pr2}$现在我的问题是假设在这个采样之后,我得到了新的数据。之后如何更新我的后验分布?基本上如何使用PyMC实现在线学习?在
您需要为更新指定一个新模型。这样做的原因是,现在您将拥有用于未知参数的信息性优先级。具体地说,您在切换点上的
DiscreteUniform
将是一个范畴或多项式(n=1),并且速率参数可能都是正态分布的。您可以将这些先验(使用几种方法中的一种)拟合到模型第一次运行的后验样本中。如果您计划重复更新,您可以轻松地通过编程来完成此更新。在相关问题 更多 >
编程相关推荐