Python 类分布之间的切换

我试图通过将红外光谱视为峰值、变化基线和残余噪声的总和来模拟红外光谱。峰值形状和基线模型最终将演变为更复杂的模型，但我希望从简单开始，并随着时间的推移逐渐增加复杂性。现在我有高斯峰，一个恒定的y偏移和正态分布的噪声。根据光谱所属的类别，y类偏移量来自分布A或B。目前我使用的生成数据如下所示：

我使用的模型（用PyMC3编码）看起来像：

npeaks = 3
nclasses = 2
with pm.Model() as model:
    # priors
    amp = pm.Uniform('amp', 0, x_s.max(), shape=(nclasses,npeaks))
    mu = pm.Normal('mu', mu=np.linspace(x_val.min(), x_val.max(), npeaks), sd=50, 
               shape=(nclasses,npeaks), transform=pm.distributions.transforms.ordered)
    sigma = pm.HalfNormal('sigma', sd=100, shape=(nclasses,npeaks))
    a_ = [pm.Normal('a_%d' % i, mu=0, sd=10, shape=(len(x_s),1)) for i in range(nclasses)]

    # spectral lines (per class)
    y_ = [pm.Deterministic('y_%d' % i, (amp[i] * np.exp(-(x_val - mu[i])**2/(2 * sigma[i]**2))).sum(axis=1) 
                       + a_[i]) for i in range(nclasses)]

    # labels (observed from the data, 0 or 1)
    theta = pm.Beta('theta', 1., 1.)
    label = pm.Bernoulli('label', p=theta, observed=Y)

    # switch to spectrum class A/B depending on label
    y_obs = pm.math.switch(pm.math.eq(label, 1), y_[0], y_[1])

    sigma_e = pm.Gamma('sigma_e', alpha=1., beta=1.)
    epsilon = pm.HalfNormal('epsilon', sd=sigma_e)

    y_pred = pm.Normal('y_pred', mu=y_obs, sd=epsilon, observed=x_s)

因此，根据训练数据（Y）中的标签，模型将切换到变量Y_0或Y_1

这个基本模型的问题是：

• 我现在在两个类之间切换，但也希望在4个类之间切换，或者在这方面切换N个类。通常我会使用switch case语句之类的语句，但这不可用。在当前环境下，我如何实现这一点

还请注意： 1.类的数量是已知的和固定的（在我的例子中是2个或4个） 2.根据光谱，我知道标签Y（光谱所属的类别）

最后，目标是为Y和光谱观测（x_s）引入共享变量，以便（推断后）我可以：

设置变量Y=z，并从分布z中采样

设置一个（看不见的）光谱x_s[a]并从后验分布标签中取样，这样我就可以计算出光谱属于哪一类

理想的解决方案如下：

# labels (observed from the data, 0 or 1)
theta = pm.Beta('theta', 1., 1.)
label = pm.Bernoulli('label', p=theta, observed=Y)

sigma_e = pm.Gamma('sigma_e', alpha=1., beta=1.)
epsilon = pm.HalfNormal('epsilon', sd=sigma_e)

y_pred = pm.Normal('y_pred', mu=y_[label], sd=epsilon, observed=x_s) 

这样，无论标签代码是什么（在本例中为[0 | 1]，但对于4个类为[0 | 1 | 2 | 3]），都可以找到正确的索引，但此解决方案会给出错误：

`TypeError: list indices must be integers or slices, not ObservedRV`