ModelBuilder

class pymc_extras.model_builder.ModelBuilder(model_config: dict | None = None, sampler_config: dict | None = None)

ModelBuilder 可以用于为模型提供易于使用的 API（类似于 scikit-learn），并帮助部署。

__init__(model_config: dict | None = None, sampler_config: dict | None = None)

初始化模型的模型配置和采样器配置

参数:

• data (Dictionary, 可选) – 这是我们需要用来训练模型的数据。

• model_config (Dictionary, 可选) – 初始化模型配置的参数字典。类默认值由用户 default_model_config 方法定义。

• sampler_config (Dictionary, 可选) – 初始化采样器配置的参数字典。类默认值由用户 default_sampler_config 方法定义。

示例

>>> class MyModel(ModelBuilder):
>>>     ...
>>> model = MyModel(model_config, sampler_config)

方法

__init__([model_config, sampler_config])	初始化模型的模型配置和采样器配置
build_model(X, y, **kwargs)	基于提供的数据和 model_config 创建 pm.Model 的实例，并将其附加到 self。
fit(X[, y, progressbar, predictor_names, ...])	使用作为参数传递的数据拟合模型。
get_default_model_config()	如果类初始化时未提供 model_config，则返回模型构建器的类默认配置字典。有助于理解所需 model_config 的结构，以便用户自定义
get_default_sampler_config(self)	如果类初始化时未提供 sampler_config，则返回模型构建器的类默认采样器字典。有助于理解所需 sampler_config 的结构，以便用户自定义
get_params([deep])	获取实例化模型副本所需的所有模型参数，不包括训练数据。
load(fname)	从文件创建 ModelBuilder 实例，加载模型的推断数据。
predict(X_pred[, extend_idata])	使用模型预测未见过的数据，并返回所有样本的点预测。
predict_posterior(X_pred[, extend_idata, ...])	在未见过的数据上生成后验预测样本。
predict_proba(X_pred[, extend_idata, combined])	与 scikit-learn 概率估计器保持一致的 predict_posterior 的别名。
sample_model(**kwargs)	从 PyMC 模型中采样。
sample_posterior_predictive(X_pred, ...)	从模型的后验预测分布中采样。
sample_prior_predictive(X_pred[, y_pred, ...])	从模型的先验预测分布中采样。
save(fname)	将模型的推断数据保存到文件。
set_idata_attrs([idata])	在 InferenceData 对象上设置属性。
set_params(**params)	设置实例化模型所需的所有模型参数，不包括训练数据。

属性

id	为模型生成唯一的哈希值。
output_var	返回模型输出变量的名称。
version