MarginalModel#

class pymc_extras.MarginalModel(*args, **kwargs)[source]#

PyMC 模型的子类，实现了在 logp 转换中自动边缘化变量的功能

在定义完整的模型之后，可以使用 marginalize 方法来指示应该边缘化的变量子集

注释

边缘化功能仍然非常受限。只有有限的离散变量可以被边缘化。确定性和势不能条件性地依赖于被边缘化的变量。

此外，并非所有此类变量的实例都可以被边缘化。如果一个变量具有批处理维度，则要求任何条件相关的变量都使用来自单个批处理维度的信息。换句话说，连接边缘化变量与因变量的图必须完全由 Elemwise Operations 组成。这是确保可以生成高效 logprob 图所必需的。如果您想绕过此限制，您可以将边缘化变量的每个维度分成标量分量，然后将它们堆叠在一起。请注意，此类图的大小将随着边缘化变量的数量呈指数增长。

出于同样的原因，不可能边缘化具有多元因变量的 RV。

示例

边缘化单个变量

import pymc as pm
from pymc_extras import MarginalModel

with MarginalModel() as m:
    p = pm.Beta("p", 1, 1)
    x = pm.Bernoulli("x", p=p, shape=(3,))
    y = pm.Normal("y", pm.math.switch(x, -10, 10), observed=[10, 10, -10])

    m.marginalize([x])

    idata = pm.sample()

__init__(*args, **kwargs)[source]#

方法

`__init__`(args, *kwargs)
`add_coord`(name[, values, mutable, length])	向模型注册维度坐标。
`add_coords`(coords, *[, lengths])	`Model.add_coord` 的向量化版本。
`add_named_variable`(var[, dims])	将随机图变量添加到模型的命名变量中。
`check_start_vals`(start, **kwargs)	检查 logp 在起始点是否已定义且有限。
`clone`()
`compile_d2logp`([vars, jacobian, negate_output])	已编译的对数概率密度 Hessian 函数。
`compile_dlogp`([vars, jacobian])	已编译的对数概率密度梯度函数。
`compile_fn`(outs, *[, inputs, mode, point_fn])	编译 PyTensor 函数。
`compile_logp`([vars, jacobian, sum])	已编译的对数概率密度函数。
`copy`()	克隆模型。
`create_value_var`(rv_var, *, ...[, value_var])	创建一个 `TensorVariable`，它将用作随机变量在对数似然图中的“值”。
`d2logp`([vars, jacobian, negate_output])	模型的对数概率的 Hessian，相对于。
`debug`([point, fn, verbose])	在点处调试模型函数。
`dlogp`([vars, jacobian])	模型的对数概率的梯度，相对于。
`eval_rv_shapes`()	评估未转换和已转换自由变量的形状。
`from_model`(model)
`get_context`([error_if_none, ...])
`initial_point`([random_seed])	计算模型的初始点。
`logp`([vars])	模型的基本对数概率。
`logp_dlogp_function`([grad_vars, tempered, ...])	编译一个计算 logp 和梯度的 PyTensor 函数。
`make_obs_var`(rv_var, data, dims, ...)	为观测到的随机变量创建一个 TensorVariable。
`marginalize`(rvs_to_marginalize)
`name_for`(name)	检查名称是否具有前缀，并在需要时添加。
`name_of`(name)	检查名称是否具有前缀，并在需要时删除。
`point_logps`([point, round_vals])	计算模型中所有随机变量的 point 的对数概率。
`profile`(outs, *[, n, point, profile])	编译并分析一个 PyTensor 函数，该函数返回 `outs` 并将模型变量的值作为字典作为参数。
`recover_marginals`(idata[, var_names, ...])	根据具有后验组的 InferenceData 给出的模型参数，计算边缘化变量的后验对数概率和样本
`register_data_var`(data[, dims])	向模型注册数据变量。
`register_rv`(rv_var, name, *[, observed, ...])	向模型注册（未）观测到的随机变量。
`replace_rvs_by_values`(graphs, **kwargs)	克隆并将图中的随机变量替换为其值变量。
`set_data`(name, values[, coords])	更改模型中数据变量的值。
`set_dim`(name, new_length[, coord_values])	更新可变维度。
`set_initval`(rv_var, initval)	为随机变量设置初始值（策略）。
`shape_from_dims`(dims)
`to_graphviz`(*[, var_names, formatting, ...])	从 PyMC 模型生成 graphviz Digraph。
`unmarginalize`(rvs_to_unmarginalize)
`update_start_vals`(a, b)	使用 b 更新点 a，而不覆盖现有键。

属性

`basic_RVs`	模型根据其定义的随机变量列表。
`continuous_value_vars`	模型中所有连续值变量。
`coords`	模型维度的坐标值。
`datalogp`	观测变量和势项的对数概率的 PyTensor 标量。
`dim_lengths`	模型中维度的符号长度。
`discrete_value_vars`	模型中所有离散值变量。
`isroot`
`observedlogp`	观测变量的对数概率的 PyTensor 标量。
`parent`
`potentiallogp`	势项的对数概率的 PyTensor 标量。
`prefix`
`root`
`unobserved_RVs`	所有随机变量的列表，包括确定性变量。
`unobserved_value_vars`	所有随机变量（包括未转换的投影）的列表，以及用作模型对数似然图的输入和输出的确定性变量。
`value_vars`	用作模型对数似然输入的未观测随机变量列表（不包括确定性变量）。
`varlogp`	未观测随机变量（不包括确定性变量）的对数概率的 PyTensor 标量。
`varlogp_nojac`	未观测随机变量（不包括确定性变量）的对数概率的 PyTensor 标量，不带雅可比行列式项。