我试图对一个几何布朗运动做极大似然估计。我知道,Theano主要是一个ML库,但它应该可以工作。。。(当然,我只是在尝试Theano,我的最终目标是对稍微复杂的模型进行MLE…)
在SO写数学是个婊子,所以查一下GBM例如here。在
下面是Theano代码,它根据Theano教程中的logistic回归示例稍作修改:
training_steps = 1000
dt = 1/390
NT = len(Xdata)
rng = np.random
rate = 0.001
# Declare Theano symbolic variables
X = T.vector("X")
dX = T.vector("dX")
mu = theano.shared(rng.randn(), name="mu")
sigma2 = theano.shared(rng.random(), name="sigma2")
print("Initial model:")
print(mu.get_value())
print(sigma2.get_value())
# Construct Theano expression graph
eps = (dX - mu*dt*X)/X
summand1 = eps**2
loghood = summand1.sum()/sigma2/dt + NT*T.log(sigma2)
gmu, gsigma2 = T.grad(loghood, [mu, sigma2])
# Compile
train = theano.function(
inputs=[X,dX],
outputs=[loghood],
updates=((mu, mu - rate * gmu), (sigma2, sigma2 - rate * gsigma2)))
# Train
costlist = []
mulist = []
siglist = []
for i in range(training_steps):
cost = train(Xdata, dXdata)
costlist.append(cost[0])
mulist.append(mu.get_value())
siglist.append(sigma2.get_value())
print("Final model:")
print(mu.get_value())
print(sigma2.get_value())
plot(costlist)
所以我得到的是,train函数对初始mu,sigma2求值为OK,但就在第2步,mu,sigma2根据梯度更新,train函数似乎适得其反,要么给出疯狂的数字,要么南:s。。。在
我将结果与精确极大似然估计和最小化进行了比较scipy.optimize.minimize.最小化,两者都很好。我想问题出在上面的“木屋”里,但我就是想不通。。。在
那么有人能找出代码哪里出错了吗?
目前没有回答
相关问题 更多 >
编程相关推荐