Michael Osthege 的帖子
DEMetropolis(Z) 采样器调优
- 2023年1月18日
对于连续变量，默认的 PyMC 采样器 (NUTS) 需要计算梯度，PyMC 通过自动微分来实现这一点。然而，在某些情况下，PyMC 模型可能没有提供梯度（例如，通过在 PyMC 外部评估数值模型），因此需要替代采样器。DEMetropolisZ 采样器是无梯度推断的有效选择。PyMC 中 DEMetropolisZ 的实现基于 ter Braak 和 Vrugt [2008]，但使用了修改后的调优方案。本笔记本比较了采样器的各种调优参数设置，包括 PyMC 中引入的 drop_tune_fraction 参数。
DEMetropolis 和 DEMetropolis(Z) 算法比较
- 2023年1月18日
对于连续变量，默认的 PyMC 采样器 (NUTS) 需要计算梯度，PyMC 通过自动微分来实现这一点。然而，在某些情况下，PyMC 模型可能没有提供梯度（例如，通过在 PyMC 外部评估数值模型），因此需要替代采样器。差分进化 (DE) Metropolis 采样器是无梯度推断的有效选择。本笔记本比较了 PyMC 中的 DEMetropolis 和 DEMetropolisZ 采样器，以帮助确定哪个是给定问题的更好选择。
块更新的 Lasso 回归
- 2022年2月10日
有时，一起更新一组参数非常有用。例如，高度相关的变量通常适合一起更新。在 PyMC 中，块更新很简单。这将使用 pymc.sample 的参数 step 来演示。