Я изо всех сил пытаюсь понять, как наблюдаемые данные работают в pymc3. Из информации, которую я нашел до сих пор, эти два примера оказались наиболее полезными для меня, но я не могу заставить свою модель Работа.
В качестве примера того, что я пытаюсь сделать, скажем, у меня есть записи от клиентов в ресторане, в которых записывается температура дня по категориальной шкале оценок из 5, а также заказали ли они основное блюдо, гарнир, или напиток. Я установил некоторые фиктивные данные, например:
import numpy as np
import pymc3 as pm
from theano import shared
no_of_root_categories = 5
no_of_samples = 1000
hot_day = np.random.randint(no_of_root_categories, size=no_of_samples)
option_labels = ["Main", "Side", "Beverage"]
meal_options = np.random.randint(2, size=(len(option_labels), no_of_samples))
Я хочу смоделировать его как простую байесовскую сеть, например:
где наблюдаются заштрихованные узлы.
Вот что у меня есть:
with pm.Model() as crashing_model:
shape = (no_of_samples, no_of_root_categories)
alpha = (1 / no_of_root_categories) * np.ones(shape)
root_prior = pm.Dirichlet("Temperature Rating Prior", alpha, shape=shape)
root = pm.Categorical('Temperature Rating', p=root_p, shape=no_of_samples, observed=hot_day)
for item, label in enumerate(option_labels):
node_data = meal_options[item, :]
theano_probs = shared(np.array(node_probs))
node_prior = pm.Beta(f"{label} Prior",
mu=root,
sigma=root,
shape=no_of_samples,
testval=np.random.randint(1, size=no_of_samples))
pm.Binomial(label, p=node_prior, n=no_of_samples, observed=node_data)
который работает, но когда я пытаюсь
with crashing_model:
trace = pm.sample(1000, random_seed=0)
Python завершается с ошибкой «Плохая начальная энергия».
Я могу создать модель, которая, кажется, работает без скрытых переменных.
with pm.Model() as working_model: # seems to work
root_values = [np.where(hot_day == i)[0].tolist() for i in range(no_of_root_categories)]
root_p = [len(i) / 1000 for i in root_values]
root = pm.Categorical('Temperature Rating', p=root_p)
shared_proportions = shared(np.array([len(hot_day[i]) for i in root_values]))
for item, label in enumerate(option_labels):
node_probs = [sum([meal_options[item, idx] for idx in category]) / len(category) for category in root_values]
theano_probs = shared(np.array(node_probs))
pm.Binomial(label, p=theano_probs[root], n=shared_proportions[root])
но я не уверен, как перевести то, что я там сделал, для работы со скрытыми переменными. Любая помощь будет оценена.