[英]Simple Bayesian Network via Monte Carlo Markov Chain ported to PyMC3
我通過蒙特卡羅馬爾可夫鏈從PyMC2
移植到簡單貝葉斯網絡的例子到PyMC3
並且它可以工作。
結果可以在文件pymc3_rain_sprinkler_grass_simple_bayesian_network.py.
GitHub上的以下要點中找到 pymc3_rain_sprinkler_grass_simple_bayesian_network.py.
我想通過提供證據來擴展原始示例,例如,草是濕的,然后讓PyMC3
給出答案,例如“給定草濕,下雨的概率是多少?”。
似乎得到的跡線是“常數”,例如,它中不再存在隨機元素。 在pymc3_rain_sprinkler_grass_simple_bayesian_network_with_evidence.py
中查看pymc3_rain_sprinkler_grass_simple_bayesian_network_with_evidence.py
並執行df.drop_duplicates()
以查看我的意思。
我究竟做錯了什么?
我設法解決了我的問題。 重點是將testval設置為“true”而不是“false”。 它改善了從Metropolis到BinaryGibbsMetropolis改變步法的情況。
這里參考是完整的解決方案。 我還更新了要點。
import numpy as np
import pandas as pd
import pymc3 as pm
niter = 10000 # 10000
tune = 5000 # 5000
model = pm.Model()
with model:
tv = [1]
rain = pm.Bernoulli('rain', 0.2, shape=1, testval=tv)
sprinkler_p = pm.Deterministic('sprinkler_p', pm.math.switch(rain, 0.01, 0.40))
sprinkler = pm.Bernoulli('sprinkler', sprinkler_p, shape=1, testval=tv)
grass_wet_p = pm.Deterministic('grass_wet_p', pm.math.switch(rain, pm.math.switch(sprinkler, 0.99, 0.80), pm.math.switch(sprinkler, 0.90, 0.0)))
grass_wet = pm.Bernoulli('grass_wet', grass_wet_p, observed=np.array([1]), shape=1)
trace = pm.sample(20000, step=[pm.BinaryGibbsMetropolis([rain, sprinkler])], tune=tune, random_seed=124)
# pm.traceplot(trace)
dictionary = {
'Rain': [1 if ii[0] else 0 for ii in trace['rain'].tolist() ],
'Sprinkler': [1 if ii[0] else 0 for ii in trace['sprinkler'].tolist() ],
'Sprinkler Probability': [ii[0] for ii in trace['sprinkler_p'].tolist()],
'Grass Wet Probability': [ii[0] for ii in trace['grass_wet_p'].tolist()],
}
df = pd.DataFrame(dictionary)
p_rain = df[(df['Rain'] == 1)].shape[0] / df.shape[0]
print(p_rain)
p_sprinkler = df[(df['Sprinkler'] == 1)].shape[0] / df.shape[0]
print(p_sprinkler)
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.