Jeśli pymc implementuje algorytm Metropolis-Hastings, aby wyprowadzić próbki z gęstości tylnej nad parametrami będącymi przedmiotem zainteresowania, wówczas aby zdecydować, czy przejść do następnego stanu w łańcuchu Markowa, musi być w stanie ocenić coś proporcjonalnego do gęstość tylna dla wszystkich podanych wartości parametrów.W jaki sposób pymc reprezentuje poprzednią funkcję rozkładu i prawdopodobieństwa?
Gęstość tylna jest proporcjonalna do funkcji prawdopodobieństwa na podstawie obserwowanych danych razy wcześniejszej gęstości.
W jaki sposób każdy z nich jest reprezentowany wewnątrz pymc? Jak obliczyć każdą z tych wielkości z obiektu modelu?
Zastanawiam się, czy ktoś może podać mi szczegółowy opis podejścia lub wskazać, gdzie mogę go znaleźć.
Biorąc pod uwagę, że nikt nie wydaje się być w stanie odpowiedzieć, sugeruję tutaj: https://github.com/pymc-devs/pymc/issues – pablofiumara
Wydaje się, że to praca dla [źródła] (https: //github.com/pymc-devs/pymc/blob/master/pymc/step_methods/metropolis.py#L47). Jest stosunkowo krótki i dzięki pozornemu zrozumieniu algorytmu, być może szybki wygląd będzie dla ciebie bardziej pouczający niż dla mnie. –