Python Pymc3:如何定义参数的有序向量
我试着做一个有序的逻辑回归,其中一个参数是割点的有序向量。我不知道如何定义它们 我想出的一个非常愚蠢的方法是手动定义向量的每个分量,使用一个作为另一个的边界:Python Pymc3:如何定义参数的有序向量,python,pymc3,Python,Pymc3,我试着做一个有序的逻辑回归,其中一个参数是割点的有序向量。我不知道如何定义它们 我想出的一个非常愚蠢的方法是手动定义向量的每个分量,使用一个作为另一个的边界: with pm.Model() as bound_model: a = pm.Normal('a', mu=0, sd=10) BoundedB = pm.Bound(pm.Normal, upper=a) b = BoundedB('b', mu=0, sd=10) BoundedC = pm.Bound
with pm.Model() as bound_model:
a = pm.Normal('a', mu=0, sd=10)
BoundedB = pm.Bound(pm.Normal, upper=a)
b = BoundedB('b', mu=0, sd=10)
BoundedC = pm.Bound(pm.Normal, upper=b)
c = BoundedC('c', mu=0, sd=10)
bound_trace = pm.sample(1000)
这几乎没有效率,我不确定它们是否会像预期的那样工作。有更好的方法吗?我想这是pymc3中缺少的功能。我可能会写一个pull请求,但在此期间,您可以使用如下内容:
class Ordered(pymc3.distributions.transforms.ElemwiseTransform):
name = "ordered"
def forward(self, x):
out = tt.zeros(x.shape)
out = tt.inc_subtensor(out[0], x[0])
out = tt.inc_subtensor(out[1:], tt.log(x[1:] - x[:-1]))
return out
def backward(self, y):
out = tt.zeros(y.shape)
out = tt.inc_subtensor(out[0], y[0])
out = tt.inc_subtensor(out[1:], tt.exp(y[1:]))
return tt.cumsum(out)
def jacobian_det(self, y):
return tt.sum(y[1:])
N = 10
with pm.Model() as model:
pm.Normal('y', mu=np.zeros(N), sd=1, shape=N,
transform=Ordered(), testval=np.arange(N))
然后像这样使用它:
class Ordered(pymc3.distributions.transforms.ElemwiseTransform):
name = "ordered"
def forward(self, x):
out = tt.zeros(x.shape)
out = tt.inc_subtensor(out[0], x[0])
out = tt.inc_subtensor(out[1:], tt.log(x[1:] - x[:-1]))
return out
def backward(self, y):
out = tt.zeros(y.shape)
out = tt.inc_subtensor(out[0], y[0])
out = tt.inc_subtensor(out[1:], tt.exp(y[1:]))
return tt.cumsum(out)
def jacobian_det(self, y):
return tt.sum(y[1:])
N = 10
with pm.Model() as model:
pm.Normal('y', mu=np.zeros(N), sd=1, shape=N,
transform=Ordered(), testval=np.arange(N))
编辑:关于此处发生的情况的简短说明:
我们定义了一个从$R^n$到有序序列集的映射
f(x_1) = x_1,\quad f(x_i) = f(x_{i - 1}) + exp(x_i)
因为这是一个很好的双射函数,我们可以通过
P_{R^n}(x) = P_{ordered}(f(x)) \cdot |J_{f(x)}|
其中J是变换的雅可比矩阵
采样器将只看到未受约束的值。这就是Bound
最初的实现方式
如果你想要更多的细节,你可以看一下。它包含了这些转换的一个很好的描述,pymc3和stan的数学原理是一样的。我想这是pymc3中缺少的一个功能。我可能会写一个pull请求,但在此期间,您可以使用如下内容:
class Ordered(pymc3.distributions.transforms.ElemwiseTransform):
name = "ordered"
def forward(self, x):
out = tt.zeros(x.shape)
out = tt.inc_subtensor(out[0], x[0])
out = tt.inc_subtensor(out[1:], tt.log(x[1:] - x[:-1]))
return out
def backward(self, y):
out = tt.zeros(y.shape)
out = tt.inc_subtensor(out[0], y[0])
out = tt.inc_subtensor(out[1:], tt.exp(y[1:]))
return tt.cumsum(out)
def jacobian_det(self, y):
return tt.sum(y[1:])
N = 10
with pm.Model() as model:
pm.Normal('y', mu=np.zeros(N), sd=1, shape=N,
transform=Ordered(), testval=np.arange(N))
然后像这样使用它:
class Ordered(pymc3.distributions.transforms.ElemwiseTransform):
name = "ordered"
def forward(self, x):
out = tt.zeros(x.shape)
out = tt.inc_subtensor(out[0], x[0])
out = tt.inc_subtensor(out[1:], tt.log(x[1:] - x[:-1]))
return out
def backward(self, y):
out = tt.zeros(y.shape)
out = tt.inc_subtensor(out[0], y[0])
out = tt.inc_subtensor(out[1:], tt.exp(y[1:]))
return tt.cumsum(out)
def jacobian_det(self, y):
return tt.sum(y[1:])
N = 10
with pm.Model() as model:
pm.Normal('y', mu=np.zeros(N), sd=1, shape=N,
transform=Ordered(), testval=np.arange(N))
编辑:关于此处发生的情况的简短说明:
我们定义了一个从$R^n$到有序序列集的映射
f(x_1) = x_1,\quad f(x_i) = f(x_{i - 1}) + exp(x_i)
因为这是一个很好的双射函数,我们可以通过
P_{R^n}(x) = P_{ordered}(f(x)) \cdot |J_{f(x)}|
其中J是变换的雅可比矩阵
采样器将只看到未受约束的值。这就是Bound
最初的实现方式
如果你想要更多的细节,你可以看一下。它包含了这些转换的详细描述,pymc3和stan的数学原理相同。谢谢!我运行了一个简单的采样,顺序约束似乎满足了,尽管我不确定那里发生了什么。甚至不知道有一个
transform
参数。。期待你的公关!谢谢我运行了一个简单的采样,顺序约束似乎满足了,尽管我不确定那里发生了什么。甚至不知道有一个transform
参数。。期待你的公关!