我正在研究PyMC3软件包,我感兴趣的是在一个场景中实现这个软件包,在这个场景中,我有几个不同的信号,每个信号都有不同的振幅
然而,我仍然停留在需要使用什么类型的先验知识来实现PyMC3,以及实现的可能性分布上。场景示例如下图所示:
我试图在这里实现它,但每次我不断地得到错误:
pymc3.exceptions.SamplingError: Bad initial energy
## Signal 1:
with pm.Model() as model:
# Parameters:
# Prior Distributions:
# BoundedNormal = pm.Bound(pm.Exponential, lower=0.0, upper=np.inf)
# c = BoundedNormal('c', lam=10)
# c = pm.Uniform('c', lower=0, upper=300)
alpha = pm.Normal('alpha', mu = 0, sd = 10)
beta = pm.Normal('beta', mu = 0, sd = 1)
sigma = pm.HalfNormal('sigma', sd = 1)
mu = pm.Normal('mu', mu=0, sigma=1)
sd = pm.HalfNormal('sd', sigma=1)
# Observed data is from a Multinomial distribution:
# Likelihood distributions:
# bradford = pm.DensityDist('observed_data', logp=bradford_logp, observed=dict(value=S1, loc=mu, scale=sd, c=c))
# observed_data = pm.Beta('observed_data', mu=mu, sd=sd, observed=S1)
observed_data = pm.Beta('observed_data', alpha=alpha, beta=beta, mu=mu, sd=sd, observed=S1)
with model:
# obtain starting values via MAP
startvals = pm.find_MAP(model=model)
# instantiate sampler
# step = pm.Metropolis()
step = pm.HamiltonianMC()
# step = pm.NUTS()
# draw 5000 posterior samples
trace = pm.sample(start=startvals, draws=1000, step=step, tune=500, chains=4, cores=1, discard_tuned_samples=True)
# Obtaining Posterior Predictive Sampling:
post_pred = pm.sample_posterior_predictive(trace, samples=500)
print(post_pred['observed_data'].shape)
plt.title('Trace Plot of Signal 1')
pm.traceplot(trace, var_names=['mu', 'sd'], divergences=None, combined=True)
plt.show(block=False)
plt.pause(5) # Pauses the program for 5 seconds
plt.close('all')
pm.plot_posterior(trace, var_names=['mu', 'sd'])
plt.title('Posterior Plot of Signal 1')
plt.show(block=False)
plt.pause(5) # Pauses the program for 5 seconds
plt.close('all')
我也一直在研究在使用不同的分布而不是高斯分布的情况下,实现适应度优度测试和卡尔曼滤波的想法,因此,如果您有时间,我希望您能看看它们?。这两个问题都可以在这里找到:
拟合优度测试链接:Goodness-to-fit test
卡尔曼滤波链路:Kalman Filter
假设我有大约5个信号,并希望实现贝叶斯接口,以便查看信号PDF中的差异。我如何处理这个问题?我是否需要创建多个模型并获得其后验分布?如图所示:
如果我需要得到后验分布,我是否使用以下代码
# Obtaining Posterior Predictive Sampling:
post_pred = pm.sample_posterior_predictive(trace, samples=500)
如果我有多个信号,我可以这样实现它,以便在所有信号中看到alpha
和beta
的变化吗
observed_data_S1 = pm.Beta('observed_data_S1', alpha=alpha[0], beta=beta[0], observed=S1[0])
observed_data_S2 = pm.Beta('observed_data_S2', alpha=alpha[1], beta=beta[1], observed=S2[0])
observed_data_S3 = pm.Beta('observed_data_S3', alpha=alpha[2], beta=beta[2], observed=S3[0])
observed_data_S4 = pm.Beta('observed_data_S4', alpha=alpha[3], beta=beta[3], observed=S4[0])
observed_data_S5 = pm.Beta('observed_data_S5', alpha=alpha[4], beta=beta[4], observed=S5[0])
observed_data_S6 = pm.Beta('observed_data_S6', alpha=alpha[5], beta=beta[5], observed=S6[0])
编辑3:
如何在一个绘图中绘制多条记录道?因为我看到了多个信号,我想把所有的阿尔法和贝塔组合在一起
第一个错误:Beta分布的参数
alpha
和beta
必须为正。您在它们上使用了一个正常的Previor,该Previor允许RV取负值和0值。您可以通过在pm.Normal
分布上使用pm.Bound
或使用pm.HalfNormal
分布来轻松解决这个问题第二个错误:另一个不一致性是指定
mu
和sigma
以及alpha
和beta
参数。Beta要么接受mu
和sigma
,要么接受alpha
和beta
,但不能同时接受两者。默认行为是在mu
和sigma
参数上使用alpha
和beta
参数。推断出mu
和sigma
是在浪费大量计算能力其他注释:从3.8版开始,您不应在任何发行版中使用
sd
参数,因为它已被弃用,并将在3.9版中删除。改用sigma
更正版本:
相关问题 更多 >
编程相关推荐