Python 解决价格问题是正确的

在of中，作者针对的一个实例提出了以下解决方案，其中的目标是估算完整橱窗的后

作为本次展会的参赛者，您只需根据展会的历史数据对展会的全部价格进行估算，以及您自己对展会中所含物品的价格进行估算

本书的章节基于，解决方案的代码如下所示：

import pymc as pm

# Our belief of the full price of the showcase, based on our analysis of 
# historical data from previous episodes:
mu_prior   = 35000
std_prior  = 7500
true_price = pm.Normal("true_price", mu_prior, 1.0 / std_prior ** 2)

# Our beliefs about the price of two items in the showcase:
prize_1 = pm.Normal("snowblower",      3000, 1.0 / (500  ** 2))
prize_2 = pm.Normal("trip_to_toronto", 5000, 1.0 / (3000 ** 2))
price_estimate = prize_1 + prize_2

# The model that relates our three priors:
@pm.potential
def error(true_price=true_price, price_estimate=price_estimate):
        return pm.normal_like(true_price, price_estimate, 1 / (3e3) ** 2)

# Solving for the final price of the full showcase
mcmc = pm.MCMC([true_price, prize_1, prize_2, price_estimate, error])
mcmc.sample(50000, 10000)

trace_of_posterior_of_price_of_suite = mcmc.trace("true_price")[:]

其结果是：

我的问题是：

这个问题的贝叶斯公式是什么？作者如何使用似然函数连接先验值并得到后验值

如何解释上述代码中的

错误
潜在
的定义？在一般情况下，势通常是某些分布的因式分解中的一个因子（即乘积项）。在这种情况下，
潜在的
指的是什么分布（即什么变量）

由于作者在代码中使用了PyMC函数，

PyMC

是否假设您希望最大化该似然函数？（如果没有，它扮演什么角色？）。作者似乎使用

true\u price

作为观察数据，而

price\u estimate

作为正态似然函数中的

mu

。是这样吗？如果是，理由是什么

---

嘿！问题1听起来像是交叉验证。