Возможно, это глупый вопрос.Определение пользовательского дистрибутива PyMC
Я пытаюсь подстроить данные в очень странный PDF-файл с использованием оценки MCMC в PyMC. В этом примере я просто хочу выяснить, как соответствовать нормальному распределению, где я вручную вводим обычный PDF. Мой код:
data = [];
for count in range(1000): data.append(random.gauss(-200,15));
mean = mc.Uniform('mean', lower=min(data), upper=max(data))
std_dev = mc.Uniform('std_dev', lower=0, upper=50)
# @mc.potential
# def density(x = data, mu = mean, sigma = std_dev):
# return (1./(sigma*np.sqrt(2*np.pi))*np.exp(-((x-mu)**2/(2*sigma**2))))
mc.Normal('process', mu=mean, tau=1./std_dev**2, value=data, observed=True)
model = mc.MCMC([mean,std_dev])
model.sample(iter=5000)
print "!"
print(model.stats()['mean']['mean'])
print(model.stats()['std_dev']['mean'])
примеров, которые я нашел все использовать что-то вроде mc.Normal или mc.Poisson или этажерок, но я хочу, чтобы соответствовать функциям закомментированного плотности.
Любая помощь будет оценена по достоинству.
Блестящий, это было очень полезно, спасибо большое. – stellographer
@jcrudy. Я натыкаюсь на ваш ответ, пытаясь определить мои собственные простые предыдущие. Чтобы не загрязнять этот вопрос, я начал свой собственный [здесь] (http://stackoverflow.com/questions/23198247/custom-priors-in-pymc), и мне было интересно, можете ли вы пролить свет на него. Благодарю. –