使用pymc3中的实际假设-将示例从ThinkBayes移植到pymc3
使用pymc3中的实际假设-将示例从ThinkBayes移植到pymc3
提问于 2016-06-05 15:39:57
我正在复制艾伦·唐尼( Allen )在“想想贝斯”(Think)中向pymc3展示的一些例子。
他的伟大著作为我们提供了一些关于贝叶斯方法的介绍性例子，并且是使用Allen自己的库完成的。
有一个“火车问题”，你需要根据你在每列火车上看到的数量来预测一家公司的列车数量(每列列车编号从1到N)。
这个问题的可能性基本上是
def likelihood(self, data, hypo):
if data > hypo:
return 0
return 1/hypo
for data in stream:
for hypo in hypothesis:
self.posterior[hypo] *= likelihood(data, hypo)你在火车上看到的号码是data。
我如何定义自定义的可能性是pymc3？我用DensityDist来创建我自己的似然函数，但是我正在复制的这个函数依赖于从1到N的假设(假设N= 100)，而在pymc3中，我找不到从张量得到X的方法。
回答 1
Stack Overflow用户
回答已采纳
发布于 2016-06-18 00:48:57
这个问题也被称为德国坦克问题。自从第二次世界大战期间，盟军就试图根据被俘坦克的编号来寻找德国坦克的数量。
我认为这个问题可以用下面的模型来解决
with pm.Model() as model:
N = pm.DiscreteUniform('N', lower=y.max(), upper=y.max()*10)
y_obs = pm.DiscreteUniform('y', lower=0, upper=N, observed=y)
trace = pm.sample(10000)根据您的实际问题，您可以放宽离散假设(这是非常合理的)，并使用像Uniform那样的连续分布。
with pm.Model() as model:
N = pm.Uniform('N', lower=y.max(), upper=y.max()*10)
y_obs = pm.Uniform('y', lower=0, upper=N, observed=y)
trace = pm.sample(1000)放松离散假设的一个好处是现在你可以使用坚果了。相反，在以前的模型中，由于您使用的是离散变量，所以您被限制在大都会。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/37643697
复制相关文章
相似问题
腾讯云开发者
