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:Python 解决价格问题是正确的,python,bayesian,statsmodels,pymc,Python,Bayesian,Statsmodels,Pymc,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
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:
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)
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。