To chyba głupie pytanie.Definiowanie niestandardowej dystrybucji PyMC-a
Próbuję dopasować dane do bardzo dziwnego pliku PDF przy użyciu oceny MCMC w PyMC. W tym przykładzie chciałbym po prostu dowiedzieć się, jak dopasować się do normalnej dystrybucji, w której ręcznie wprowadzam normalny plik PDF. Mój kod to:
data = [];
for count in range(1000): data.append(random.gauss(-200,15));
mean = mc.Uniform('mean', lower=min(data), upper=max(data))
std_dev = mc.Uniform('std_dev', lower=0, upper=50)
# @mc.potential
# def density(x = data, mu = mean, sigma = std_dev):
# return (1./(sigma*np.sqrt(2*np.pi))*np.exp(-((x-mu)**2/(2*sigma**2))))
mc.Normal('process', mu=mean, tau=1./std_dev**2, value=data, observed=True)
model = mc.MCMC([mean,std_dev])
model.sample(iter=5000)
print "!"
print(model.stats()['mean']['mean'])
print(model.stats()['std_dev']['mean'])
przykłady znalazłem wszystko użyć czegoś podobnego mc.Normal lub mc.Poisson lub etażerka, ale chcę, aby pasowały do zakomentowanym funkcji gęstości.
Każda pomoc zostanie doceniona.
Genialny, to było bardzo pomocne, wielkie dzięki. – stellographer
@jcrudy. Wpadam na twoją odpowiedź, próbując zdefiniować swój własny prosty wcześniejszy. Aby uniknąć zanieczyszczania tego pytania, zacząłem własną [tutaj] (http://stackoverflow.com/questions/23198247/custom-priors-in-pymc) i zastanawiałem się, czy mógłbyś rzucić w to trochę światła. Dzięki. –