Мой вопрос заключается в том, как использовать пакет PYMC3 для выполнения условных вероятностных моделей.Условная вероятность использования Pymc3
У меня есть набор данных a_observed, b_observed, c_observed, и я хочу найти отношения между ними. Я подозреваю, что a, b, c - все нормальные распределения, b зависит от a, c зависит от a, b. Мне нужно найти параметры.
До сих пор у меня есть:
with model:
# define priors
muA = pm.Uniform('muA', lower=0, upper=24)
muB = pm.Uniform('muB', lower=0, upper=24)
muC = pm.Uniform('muC', lower=0, upper=24)
sigmaA = pm.Uniform('sigmaA', lower=0, upper=1000)
sigmaB = pm.Uniform('sigmaB', lower=0, upper=1000)
sigmaC = pm.Uniform('sigmaC', lower=0, upper=1000)
distributionA = pm.Normal('a', mu = muA, sd = sigmaA, observed = a_observed)
distributionB = pm.Normal('b', mu = muB, sd = sigmaB, observed = b_observed)
distributionC = pm.Normal('c', mu = muC, sd = sigmaC, observed = c_observed)
start = pm.find_MAP()
step = pm.Slice()
Теперь я хочу, чтобы быть независимым, B | A, C | A, B. Каков наилучший подход в PYMC3 для этого? Я видел здесь лямбда-функции http://healthyalgorithms.com/2011/11/23/causal-modeling-in-python-bayesian-networks-in-pymc/, но этот подход дает условную вероятность напрямую.
Кроме того, я хочу знать, как легко расширить модель до более чем трех переменных с более сложными зависимостями. Благодаря!