如何在@pm.stochastic中使用PyMC？

Question

非常简单的问题:我应该如何使用@pm.stochastic？我读过一些博客文章，声称@pm.stochastic期望日志值为负值：

@pm.stochastic(observed=True)
def loglike(value=data):
  # some calculations that generate a numeric result
  return -np.log(result)

我最近试过了，但结果真的很糟糕。因为我还注意到有些人使用np.log而不是-np.log，所以我尝试了一下，并且工作得更好了。什么是真正期待@pm.stochastic？我猜想，由于一个非常流行的例子，使用像np.log(1/(1+t_1-t_0))这样的东西，它被写成-np.log(1+t_1-t_0)，所以在所需的标牌上出现了一些小的混淆。

另一个问题:这个装饰师用value参数做什么？据我所知，我们从需要输入可能性的先验值开始，@pm.stochastic的思想基本上是产生一些数字，以便将这个可能性与抽样过程中上一次迭代生成的数进行比较。可能会收到value参数和优先项的一些值，但我不确定这是否都是value所做的，因为这是唯一需要的参数，但我可以编写：

@pm.stochastic(observed=True)
def loglike(value=[1]):
  data = [3,5,1] # some data
  # some calculations that generate a numeric result
  return np.log(result)

据我所知，这会产生和以前一样的结果。也许，它以这种方式工作，因为我将observed=True添加到了装饰器中。如果在默认情况下，我会在随机变量中尝试这一点，那么在每次迭代中，observed=False都会更改value，以获得更好的可能性。

Answer 1

@pm.stochastic是一个装饰器，所以它需要一个函数。使用它的最简单方法是给它一个函数，其中包含value作为它的参数之一，并返回一个日志可能性。

您应该使用@pm.stochastic装饰器为模型中的参数定义一个自定义优先项。您应该使用@pm.observed装饰器来定义数据的自定义可能性。这两个装饰器都将创建一个pm.Stochastic对象，该对象从它修饰的函数中取其名称，并具有所有熟悉的方法和属性(这里是一篇关于Python装饰师的好文章)。

示例：

具有三角形分布的参数a：

@pm.stochastic
def a(value=.5):
    if 0 <= value < 1:
        return np.log(1.-value)
    else:
        return -np.inf

在这里，value=.5被用作参数的初始值，将其更改为value=1会引发异常，因为它不在发行版的支持范围之内。

一种可能的b，其正态分布以a为中心，具有固定的精度：

@pm.observed
def b(value=[.2,.3], mu=a):
    return pm.normal_like(value, mu, 100.)

这里使用value=[.2,.3]来表示观察到的数据。

我已经把这些放在一本笔记本，显示了这里的一切。里了。

Answer 2

是的，混淆很容易，因为@随机返回一个可能性，这与错误本质上是相反的。因此，您使用自定义错误函数的负日志，并将其作为日志可能性返回。