有时我对Bayesian推断的完整后验分布并不感兴趣,而只关心最大似然(或最大后验概率,如果先验设定合适),以及可能的Hessian矩阵。PyMC3有相关函数可以实现,但find_MAP
函数返回的模型参数可能会因为先验分布而被转换。是否有一种简单的方法可以得到这些未经变换的值呢?find_hessian
的输出对我来说甚至更加不清楚,但很可能也在转换空间中。
有时我对Bayesian推断的完整后验分布并不感兴趣,而只关心最大似然(或最大后验概率,如果先验设定合适),以及可能的Hessian矩阵。PyMC3有相关函数可以实现,但find_MAP
函数返回的模型参数可能会因为先验分布而被转换。是否有一种简单的方法可以得到这些未经变换的值呢?find_hessian
的输出对我来说甚至更加不清楚,但很可能也在转换空间中。
transform=None
,以避免PyMC3进行转换,然后使用find_MAP
。下面是一个简单模型的示例。data = np.repeat((0, 1), (3, 6))
with pm.Model() as normal_aproximation:
p = pm.Uniform('p', 0, 1, transform=None)
w = pm.Binomial('w', n=len(data), p=p, observed=data.sum())
mean_q = pm.find_MAP()
std_q = ((1/pm.find_hessian(mean_q))**0.5)[0]
print(mean_q['p'], std_q)
您考虑过使用ADVI吗?
(意思是:你是否考虑过使用ADVI呢?)data = np.repeat((0, 1), (3, 6))
with pm.Model() as normal_aproximation:
p = pm.Uniform('p', 0, 1)
w = pm.Binomial('w', n=len(data), p=p, observed=data.sum())
map_estimate = pm.find_MAP()
# create a function that evaluates p, given the transformed values
evalfun = normal_aproximation.fn(outs=p)
# create name:value mappings for the free variables (e.g. transformed values)
inp = {v:map_estimate[v.name] for v in model.free_RVs}
# now use that input mapping to evaluate p
p_estimate = evalfun(inp)
outs
还可以接收一个变量列表,evalfun
将以相同顺序输出对应变量的值。