我试图在PyMC3中将不同类型和复制的度量合并到一个模型中。你知道吗
考虑以下模型:p(t)=P0*exp(-kBt),其中p(t)、P0和B是浓度。k是一个速率。我们在不同的时间测量P(t),一次测量B,全部通过粒子计数。k是我们试图推断的感兴趣的参数。你知道吗
我的问题有两部分: (1) 如何将P(t)和B的测量合并到一个模型中? (2) 如何使用可变数量的重复实验来告知k的值?你知道吗
我想我可以回答第(1)部分,但我不确定这是正确的还是在正确的口味。我未能将代码概括为包含可变数量的复制。你知道吗
对于一个实验(一次复制):
ts=np.asarray([time0,time1,...])
counts=np.asarray([countforB,countforPattime0,countforPattime1,...])
basic_model = pm.Model()
with basic_model:
k=pm.Uniform('k',0,20)
B=pm.Uniform('B',0,1000)
P=pm.Uniform('P',0,1000)
exprate=pm.Deterministic('exprate',k*B)
modelmu=pm.math.concatenate(B*(np.asarray([1.0]),P*pm.math.exp(-exprate*ts)))
Y_obs=pm.Poisson('Y_obs',mu=modelmu,observed=counts))
我试着按照上面的思路加入不同的复制品,但没有效果:
...
k=pm.Uniform('k',0,20) # same within replicates
B=pm.Uniform('B',0,1000,shape=numrepl) # can vary between expts.
P=pm.Uniform('P',0,1000,shape=numrepl) # can vary between expts.
exprate=???
modelmu=???
多个观测值
PyMC3支持多个observates,也就是说,可以将多个
RandomVariable
对象添加到带有observed
参数集的图中。你知道吗单次试验
在第一种情况下,这将使模型更加清晰:
多次试验
有了这种额外的灵活性,希望它能使多个试验的过渡更加明显。应该是这样的:
可能会有一些额外的语法来让矩阵正确相乘,但这至少包括正确的形状。你知道吗
前科
一旦你得到设置工作,这将是在你的利益重新考虑前科。我怀疑你有更多的关于这些的典型值的信息,而不是现在包括的,特别是因为这看起来像是一个化学或物理模型。你知道吗
例如,现在模型说
通常,应该避免截断,除非它们排除了无意义的值。因此,下限为0是可以的,但是上限是任意的。我建议你看看the Stan Wiki on choosing priors。你知道吗
相关问题 更多 >
编程相关推荐