이 질문은 PyMC를 사용하여 비선형 회귀를 시도한다는 점에서 Fit a non-linear function to data/observations with pyMCMC/pyMC과 비슷합니다.PyMC (2)를 사용한 강력한 비선형 회귀
그러나 관찰 된 변수를 PyMC를 사용하여 비정규 분포 (즉, T 분포)를 따르는 방법을 아는 사람이 있는지 궁금합니다. 나는 그들이 T 분포를 포함하고 있다는 것을 알고 있지만, 나는 이것을 관찰 된 변수로 포함시키는 방법을 확신하지 못했습니다.
다음은 내가 문제에 직면 해있는 곳의 가짜 데이터를 사용하여 신속하게 데모 한 것입니다. 분명히 이상한 데이터 요소 중 일부를 보호하는 출력 분포를 사용하고 싶습니다.
import numpy as np
import pymc as pm
import matplotlib.pyplot as plt
# For reproducibility
np.random.seed(1234)
x = np.linspace(0, 10*np.pi, num=150)
# Set real parameters for the sinusoid
true_freq = 0.9
true_logamp = 1.2
true_decay = 0.12
true_phase = np.pi/4
# Simulate the true trajectory
y_real = (np.exp(true_logamp - true_decay*x) *
np.cos(true_freq*x + true_phase))
# Add some noise
y_err = y_real + 0.05*y_real.max()*np.random.randn(len(x))
# Add some outliers
num_outliers = 10
outlier_locs = np.random.randint(0, len(x), num_outliers)
y_err[outlier_locs] += (10 * y_real.max() *
(np.random.rand(num_outliers)))
# Bayesian Regression
def model(x, y, p0):
log_amp = pm.Normal('log_amp', mu=np.log(p0['amplitude']),
tau=1/(np.log(p0['amplitude'])))
decay = pm.Normal('decay', mu=p0['decay'],
tau=1/(p0['decay']))
period = pm.TruncatedNormal('period', mu=p0['period'],
tau=1/(p0['period']),
a=1/(0.5/(np.median(np.diff(x)))),
b=x.max() - x.min())
phase = pm.VonMises('phase', mu=p0['phase'], kappa=1.)
obs_tau = pm.Gamma('obs_tau', 0.1, 0.1)
@pm.deterministic(plot=False)
def decaying_sinusoid(x=x, log_amp=log_amp, decay=decay,
period=period, phase=phase):
return (np.exp(log_amp - decay*x) *
np.cos((2*np.pi/period)*x + phase))
obs = pm.Normal('obs', mu=decaying_sinusoid, tau=obs_tau, value=y,
observed=True)
return locals()
p0 = {
'amplitude' : 2.30185,
'decay' : 0.06697,
'period' : 7.11672,
'phase' : 0.93055,
}
MDL = pm.MCMC(model(x, y_err, p0))
MDL.sample(20000, 10000, 1)
# Plot fit
y_min = MDL.stats()['decaying_sinusoid']['quantiles'][2.5]
y_max = MDL.stats()['decaying_sinusoid']['quantiles'][97.5]
y_fit = MDL.stats()['decaying_sinusoid']['mean']
plt.plot(x, y_err, '.', label='Data')
plt.plot(x, y_fit, label='Fit')
plt.plot(x, y_real, label='True')
plt.fill_between(x, y_min, y_max, color='0.5', alpha=0.5)
plt.legend()
감사합니다!
감사합니다! 이것은 실행되지만 슬프게도 영원히 걸립니다. 원본 스크립트는 20,000 단계를 실행하는 데 8.2 초가 걸리며 사용자 지정 로그 가능성으로 바꾸면 6284.6 초가 걸립니다. 나는 outliers를 미리 제거하려고 노력해야한다. – pstjohn
내게는 30 %의 실행 시간 만 증가시켜 정확도가 10 배나 증가 할만큼 가치가 있습니다. [여기 경주하는 노트북입니다.] (http://nbviewer.ipython.org/gist/aflaxman/b6bbdf036b1a0cad76ec) –