Istnieje a question on CrossValidated na temat używania PyMC do dopasowania dwóch normalnych dystrybucji danych. Odpowiedź Cam.Davidson.Pilon było użyć rozkładu Bernoulliego przypisanie danych do jednego z dwóch normalne:Jak modelować mieszaninę 3 norm w PyMC?
size = 10
p = Uniform("p", 0 , 1) #this is the fraction that come from mean1 vs mean2
ber = Bernoulli("ber", p = p, size = size) # produces 1 with proportion p.
precision = Gamma('precision', alpha=0.1, beta=0.1)
mean1 = Normal("mean1", 0, 0.001)
mean2 = Normal("mean2", 0, 0.001)
@deterministic
def mean(ber = ber, mean1 = mean1, mean2 = mean2):
return ber*mean1 + (1-ber)*mean2
Teraz moje pytanie brzmi: jak to zrobić z trzy normalne?
Zasadniczo chodzi o to, że nie można korzystać z rozkładu Bernoulliego i 1-Bernoulli więcej. Ale jak to zrobić?
edit: z sugestią CDP, napisałem poniższy kod:
import numpy as np
import pymc as mc
n = 3
ndata = 500
dd = mc.Dirichlet('dd', theta=(1,)*n)
category = mc.Categorical('category', p=dd, size=ndata)
precs = mc.Gamma('precs', alpha=0.1, beta=0.1, size=n)
means = mc.Normal('means', 0, 0.001, size=n)
@mc.deterministic
def mean(category=category, means=means):
return means[category]
@mc.deterministic
def prec(category=category, precs=precs):
return precs[category]
v = np.random.randint(0, n, ndata)
data = (v==0)*(50+ np.random.randn(ndata)) \
+ (v==1)*(-50 + np.random.randn(ndata)) \
+ (v==2)*np.random.randn(ndata)
obs = mc.Normal('obs', mean, prec, value=data, observed = True)
model = mc.Model({'dd': dd,
'category': category,
'precs': precs,
'means': means,
'obs': obs})
Ślady z następującą procedurą próbkowania wyglądają dobre. Rozwiązany!
mcmc = mc.MCMC(model)
mcmc.sample(50000,0)
mcmc.trace('means').gettrace()[-1,:]
Dziękuję. Pomyślałem o kategorycznym i dirichlecie, co wprawia mnie w zakłopotanie, to co umieścić w linii 'return ber * mean1 + (1-ber) * mean2'. Zaktualizowałem pytanie z propozycją, czy możesz mi powiedzieć, czy jest to właściwy sposób? –
@ user538603 zaktualizowano! –
W porządku, to pomaga. Dodałem pełny przykład kodu, który wymyśliłem z twoją pomocą, ale nadal nie jest zbieżny ze sposobem, w jaki powinien. –