python – 具有变化点的PyMC3回归

概述我看到了如何用pymc3进行变点分析的例子,但似乎我错过了一些东西,因为我得到的结果远非真正的值.这是一个玩具的例子. 数据： 脚本： from pymc3 import *from numpy.random import uniform, normalbp_u = 30 #switch pointc_u = [1, -1] #intercepts before and after swi 我看到了如何用pymc3进行变点分析的例子,但似乎我错过了一些东西,因为我得到的结果远非真正的值.这是一个玩具的例子.

数据：

脚本：

from pymc3 import *from numpy.random import uniform,normalbp_u = 30 #switch pointc_u = [1,-1] #intercepts before and after switch pointbeta_u = [0,-0.02]  #slopes before & after switch pointx = uniform(0,90,200)y = (x < bp_u)*(c_u[0]+beta_u[0]*x) + (x >= bp_u)*(c_u[1]+beta_u[1]*x) + normal(0,0.1,200)with Model() as sw_model:    sigma = HalfCauchy('sigma',beta=10,testval=1.)    switchpoint = Uniform('switchpoint',lower=x.min(),upper=x.max(),testval=45)    # Priors for pre- and post-switch intercepts and slopes    intercept_u1 = Uniform('Intercept_u1',lower=-10,upper=10)    intercept_u2 = Uniform('Intercept_u2',upper=10)    x_coeff_u1 = normal('x_u1',sd=20)    x_coeff_u2 = normal('x_u2',sd=20)    intercept = switch(switchpoint < x,intercept_u1,intercept_u2)    x_coeff = switch(switchpoint < x,x_coeff_u1,x_coeff_u2)    likelihood = normal('y',mu=intercept + x_coeff * x,sd=sigma,observed=y)    start = find_MAP() with sw_model:    step1 = NUTS([intercept_u1,intercept_u2,x_coeff_u2])    step2 = NUTS([switchpoint])    trace = sample(2000,step=[step1,step2],start=start,progressbar=True)

以下是结果：

如您所见,它们与初始值完全不同.我做错了什么？

解决方法 最后,似乎用Metropolis采样切换到离散断点解决了这个问题.这是最终的模型：

with Model() as sw_model:    sigma = HalfCauchy('sigma',testval=1.)    switchpoint = discreteUniform('switchpoint',lower=0,upper=90,upper=10,testval = 0)    intercept_u2 = Uniform('Intercept_u2',testval = 0)    x_coeff_u1 = normal('x_u1',observed=y)    start = find_MAP()     step1 = NUTS([intercept_u1,x_coeff_u2])    step2 = Metropolis([switchpoint])    trace = sample(20000,njobs=4,progressbar=True)

总结

以上是内存溢出为你收集整理的python – 具有变化点的PyMC3回归全部内容，希望文章能够帮你解决python – 具有变化点的PyMC3回归所遇到的程序开发问题。

如果觉得内存溢出网站内容还不错，欢迎将内存溢出网站推荐给程序员好友。