使用PyMC3进行贝叶斯线性回归。我建立了我的模型,并希望使用相同的模型预测新X值的后验分布。我一直在尝试按照文档网站上的说明进行操作:https://pymc-devs.github.io/pymc3/notebooks/posterior_predictive.html(请参见“Prediction”)。这需要将您的X值作为theano共享变量进行分析,然后在模型构建后更改这些值,并运行
值得注意的是,如果我使用patsy符号版本而不更改变量,就不会出现此错误,但我不知道patsy格式如何接受theano共享变量。因此,解决方案要么解决我的错误消息,要么展示如何将theano共享变量引入模型的patsy版本。谢谢!
run_ppc()
。我只是举了一个例子,运行了200次迭代(实际分析需要运行更多次)。X1_shared = theano.shared(final_df['poll_diff'].values)
Y1 = final_df['rd_diff'].values
basic_model = pm.Model()
with basic_model:
# Priors for unknown model parameters
sigma = HalfCauchy('sigma', beta=10, testval=1.)
intercept = Normal('Intercept', 0, sd=20)
x_coeff = Normal('x', 0, sd=20)
# Define likelihood
likelihood = Normal('y', mu=intercept + x_coeff * X1_shared,
sd=sigma, observed= Y1)
#start = find_MAP()
start = find_MAP() # Find starting value by optimization
step = NUTS(scaling=start) # Instantiate MCMC sampling algorithm
trace = sample(200, step, start=start)
pm.traceplot(trace)
plt.show()
sns.lmplot(x="poll_diff", y="rd_diff", data=final_df, size=10)
x = np.array(range(-1, 2))
pm.glm.plot_posterior_predictive(trace, samples=100, eval=x)
plt.show()
X1_shared.set_value(ana_2016_df['poll_diff'].values)
ppc = pm.sample_ppc(trace, model=model, samples=100)
但是我收到了以下错误:
AttributeError Traceback (most recent call last)
<ipython-input-73-9c1eb48d987f> in <module>()
----> 1 ppc = pm.sample_ppc(trace, model=model, samples=100)
C:\Users\W\Anaconda3\lib\site-packages\pymc3\sampling.py in sample_ppc(trace, samples, model, vars, size, random_seed)
349
350 if vars is None:
--> 351 vars = model.observed_RVs
352
353 seed(random_seed)
AttributeError: module 'pymc3.model' has no attribute 'observed_RVs'
值得注意的是,如果我使用patsy符号版本而不更改变量,就不会出现此错误,但我不知道patsy格式如何接受theano共享变量。因此,解决方案要么解决我的错误消息,要么展示如何将theano共享变量引入模型的patsy版本。谢谢!
basic_model
,但是你在使用ppc = pm.sample_ppc(trace, model=model, samples=100)
时却使用了model
变量。难道你混淆了变量吗?(可能是因为你正在使用 Jupyter 笔记本)。 - aloctavodia