モンテカルロマルコフ連鎖を経由した単純ベイズネットワークPyMC3に移植

Question

Simple Bayesian Network via Monte Carlo Markov Chainの例をPyMC2からPyMC3に移植しました。
結果は、私は、例えば証拠を提供することによって、元の例を拡張したいと思ったpymc3_rain_sprinkler_grass_simple_bayesian_network.py.

ファイルにGitHubので次gistに見出すことができます草が濡れていることを確認してから、PyMC3は「与えられた草が濡れている、雨が降っている確率は何ですか？

結果のトレースは「一定」と思われます。それ以上のランダム性の要素はありません。要点にpymc3_rain_sprinkler_grass_simple_bayesian_network_with_evidence.pyを見て、df.drop_duplicates()を実行して、私の言いたいことを見てください。

私は間違っていますか？

Answer 1

私は私の問題を解決することができました。主なポイントは、testvalを "false"ではなく "true"に設定することでした。ステップメソッドをMetropolisからBinaryGibbsMetropolisに変更するように状況を改善しました。

ここでは完全な解決策をご紹介します。私は要点も更新しました。

import numpy as np 
import pandas as pd 
import pymc3 as pm 

niter = 10000 # 10000 
tune = 5000 # 5000 

model = pm.Model() 

with model: 
    tv = [1] 
    rain = pm.Bernoulli('rain', 0.2, shape=1, testval=tv) 
    sprinkler_p = pm.Deterministic('sprinkler_p', pm.math.switch(rain, 0.01, 0.40)) 
    sprinkler = pm.Bernoulli('sprinkler', sprinkler_p, shape=1, testval=tv) 
    grass_wet_p = pm.Deterministic('grass_wet_p', pm.math.switch(rain, pm.math.switch(sprinkler, 0.99, 0.80), pm.math.switch(sprinkler, 0.90, 0.0))) 
    grass_wet = pm.Bernoulli('grass_wet', grass_wet_p, observed=np.array([1]), shape=1) 

    trace = pm.sample(20000, step=[pm.BinaryGibbsMetropolis([rain, sprinkler])], tune=tune, random_seed=124) 

# pm.traceplot(trace) 

dictionary = { 
       'Rain': [1 if ii[0] else 0 for ii in trace['rain'].tolist() ], 
       'Sprinkler': [1 if ii[0] else 0 for ii in trace['sprinkler'].tolist() ], 
       'Sprinkler Probability': [ii[0] for ii in trace['sprinkler_p'].tolist()], 
       'Grass Wet Probability': [ii[0] for ii in trace['grass_wet_p'].tolist()], 
       } 
df = pd.DataFrame(dictionary) 

p_rain = df[(df['Rain'] == 1)].shape[0]/df.shape[0] 
print(p_rain) 

p_sprinkler = df[(df['Sprinkler'] == 1)].shape[0]/df.shape[0] 
print(p_sprinkler)