Я новичок в PyMc и хотел бы знать, почему этот код не работает. Я уже потратил на это несколько часов, но я что-то упустил. Может ли кто-нибудь мне помочь?Первое использование PyMc не работает
вопрос, который я хочу обратиться:
У меня есть набор мер НПЦ, которые показывают 3 ударов, поэтому я хочу, чтобы смоделировать это как сумма 3 гауссиан (предполагается, что меры, шумные и гауссовы approx ok) ==> Я хочу оценить 8 параметров: относительные веса ударов (т. е. 2 параметра), их 3 средства и их 3 отклонения.
Я хочу, чтобы этот подход был достаточно широким, чтобы быть применимым на других наборах, которые могут не иметь одинаковых ударов, поэтому я беру свободные плоские приставки.
проблема: Мой код ниже дает мне дрянные оценки. что не так ? thx
"""
hypothesis: multimodal distrib sum of 3 gaussian distributions
model description:
* p1, p2, p3 are the probabilities for a point to belong to gaussian 1, 2 or 3
==> p1, p2, p3 are the relative weights of the 3 gaussians
* once a point is associated with a gaussian,
it is distributed normally according to the parameters mu_i, sigma_i of the gaussian
but instead of considering sigma, pymc prefers considering tau=1/sigma**2
* thus, PyMc must guess 8 parameters: p1, p2, mu1, mu2, mu3, tau1, tau2, tau3
* priors on p1, p2 are flat between 0.1 and 0.9 ==> 'pm.Uniform' variables
with the constraint p2<=1-p1. p3 is deterministic ==1-p1-p2
* the 'assignment' variable assigns each point to a gaussian, according to probabilities p1, p2, p3
* priors on mu1, mu2, mu3 are flat between 40 and 120 ==> 'pm.Uniform' variables
* priors on sigma1, sigma2, sigma3 are flat between 4 and 12 ==> 'pm.Uniform' variables
"""
import numpy as np
import pymc as pm
data = np.loadtxt('distrib.txt')
Npts = len(data)
mumin = 40
mumax = 120
sigmamin=4
sigmamax=12
p1 = pm.Uniform("p1",0.1,0.9)
p2 = pm.Uniform("p2",0.1,1-p1)
p3 = 1-p1-p2
assignment = pm.Categorical('assignment',[p1,p2,p3],size=Npts)
mu = pm.Uniform('mu',[mumin,mumin,mumin],[mumax,mumax,mumax])
sigma = pm.Uniform('sigma',[sigmamin,sigmamin,sigmamin],
[sigmamax,sigmamax,sigmamax])
tau = 1/sigma**2
@pm.deterministic
def assign_mu(assi=assignment,mu=mu):
return mu[assi]
@pm.deterministic
def assign_tau(assi=assignment,sig=tau):
return sig[assi]
hypothesis = pm.Normal("obs", assign_mu, assign_tau, value=data, observed=True)
model = pm.Model([hypothesis, p1, p2, tau, mu])
test = pm.MCMC(model)
test.sample(50000,burn=20000) # conservative values, let's take a coffee...
print('\nguess\n* p1, p2 = ',
np.mean(test.trace('p1')[:]),' ; ',
np.mean(test.trace('p2')[:]),' ==> p3 = ',
1-np.mean(test.trace('p1')[:])-np.mean(test.trace('p2')[:]),
'\n* mu = ',
np.mean(test.trace('mu')[:,0]),' ; ',
np.mean(test.trace('mu')[:,1]),' ; ',
np.mean(test.trace('mu')[:,2]))
print('why does this guess suck ???!!!')
Я могу отправить файл данных 'distrib.txt'. Это ~ 500 кб, и данные приведены ниже. Например последний прогон дал мне:
p1, p2 = 0.366913192214 ; 0.583816452532 ==> p3 = 0.04927035525400003
mu = 77.541619286 ; 75.3371615466 ; 77.2427165073
в то время, очевидно, натыкается около ~ 55, ~ 75 и ~ 90, с вероятностью около ~ 0,2 ~ 0,5 и ~ 0,3
http://stackoverflow.com/help/how-to-ask – StefanS