pyMC API サンプラー

サンプラー

pymc.sample

事後分布からサンプルを出力する。

pymc.sample(draws=1000, *, tune=1000, chains=None, cores=None, random_seed=None, progressbar=True, step=None, nuts_sampler='pymc', initvals=None, init='auto', jitter_max_retries=10, n_init=200000, trace=None, discard_tuned_samples=True, compute_convergence_checks=True, keep_warning_stat=False, return_inferencedata=True, idata_kwargs=None, nuts_sampler_kwargs=None, callback=None, mp_ctx=None, model=None, **kwargs)

（使用例）

import pymc as pm
n = 100
h = 61
alpha = 2
beta = 2

with pm.Model() as model: # context management
    p = pm.Beta("p", alpha=alpha, beta=beta)
    y = pm.Binomial("y", n=n, p=p, observed=h)
    idata = pm.sample()

az.summary(idata, kind="stats")

Out[3]:
    mean     sd  hdi_3%  hdi_97%
p  0.609  0.047   0.528    0.699

pymc.sample_prior_predictive

事前予測分布からサンプルを生成する

pymc.sample_prior_predictive(samples=500, model=None, var_names=None, random_seed=None, return_inferencedata=True, idata_kwargs=None, compile_kwargs=None)

pymc.sample_posterior_predictive_w

トレースを与えられたモデルから事後予測分布を生成する

pymc.sample_posterior_predictive(trace, model=None, var_names=None, sample_dims=None, random_seed=None, progressbar=True, return_inferencedata=True, extend_inferencedata=False, predictions=False, idata_kwargs=None, compile_kwargs=None)

(使用例)

thinned_idata = idata.sel(draw=slice(None, None, 5))
with model:
    idata.extend(pymc.sample_posterior_predictive(thinned_idata))

expanded_data = idata.posterior.expand_dims(pred_id=5)
with model:
    idata.extend(pymc.sample_posterior_predictive(expanded_data))

pymc.sampling.jax.sample_blackjax_nuts

blackjaxライブラリのNUTSメソッドを使った事後分布からサンプルを出力

pymc.sampling.jax.sample_blackjax_nuts(draws=1000, tune=1000, chains=4, target_accept=0.8, random_seed=None, initvals=None, model=None, var_names=None, keep_untransformed=False, chain_method='parallel', postprocessing_backend=None, postprocessing_chunks=None, idata_kwargs=None, **kwargs)

pymc.sampling.jax.sample_numpyro_nuts

numpyroライブラリのNUTSメソッドを使った事後分布からサンプルを書き出す。

pymc.sampling.jax.sample_numpyro_nuts(draws=1000, tune=1000, chains=4, target_accept=0.8, random_seed=None, initvals=None, model=None, var_names=None, progressbar=True, keep_untransformed=False, chain_method='parallel', postprocessing_backend=None, postprocessing_chunks=None, idata_kwargs=None, nuts_kwargs=None, **kwargs)

pymc.init_nuts

NUTSのための行列の塊の初期化

pymc.init_nuts(*, init='auto', chains=1, n_init=500000, model=None, random_seed=None, progressbar=True, jitter_max_retries=10, tune=None, initvals=None, **kwargs)

pymc.draw

変数または変数のリスト

pymc.draw(vars, draws=1, random_seed=None, **kwargs)

（使用例）

import pymc as pm

# Draw samples for one variable
with pm.Model():
    x = pm.Normal("x")
x_draws = pm.draw(x, draws=100)
print(x_draws.shape)

# Draw 1000 samples for several variables
with pm.Model():
    x = pm.Normal("x")
    y = pm.Normal("y", shape=10)
    z = pm.Uniform("z", shape=5)
num_draws = 1000
# Draw samples of a list variables
draws = pm.draw([x, y, z], draws=num_draws)
assert draws[0].shape == (num_draws,)
assert draws[1].shape == (num_draws, 10)
assert draws[2].shape == (num_draws, 5)

pymc.NUTS

ハミルトニアンの仕組みを基にした連続変数のサンプラー

class pymc.NUTS(*args, **kwargs)

pymc.HamiltonianMC

ハミルトニアン仕組みを基にした連続変数のサンプラー

class pymc.HamiltonianMC(*args, **kwargs)

pymc.BinaryGibbsMetropolis

バイナリ変数のために最適化されたメトロポリス　ギッブスステップ法

class pymc.BinaryGibbsMetropolis(*args, **kwargs)

pymc.BinaryMetropolis

バイナリ変数に最適化したメトロポリス・ヘイスティング

class pymc.BinaryMetropolis(*args, **kwargs)

pymc.CategoricalGibbsMetropolis

分類変数のために最適化したメトロポリス・ギッブス・ステップ法

class pymc.CategoricalGibbsMetropolis(*args, **kwargs)

pymc.CauchyProposal

class pymc.CauchyProposal(s)

pymc.DEMetropolis

差分進化メトロポリス　サンプリングステップ

遺伝アルゴリズムを用いた最適化アルゴリズム、より詳しい情報は以下の文献Statistics and Computingを参照

 A Markov Chain Monte Carlo version of the genetic algorithm Differential Evolution: easy Bayesian computing for real parameter spaces

Cajo J. F. Ter Braak 

class pymc.DEMetropolis(*args, **kwargs)

pymc.DEMetropolisZ

適応差分進化メトロポリス・サンプリングステップ

class pymc.DEMetropolisZ(*args, **kwargs)

アルゴリズムのより詳しい情報は以下の文献Statistics and Computingを参照

Differential Evolution Markov Chain with snooker updater and fewer chains

Cajo C.F. ter Braak 

pymc.LaplaceProposal

class pymc.LaplaceProposal(s)

pymc.Metropolis

メトロポリス・ヘイスティング　サンプリングステップ

class pymc.Metropolis(*args, **kwargs)

pymc.MultivariateNormalProposal

class pymc.MultivariateNormalProposal(s)

pymc.NormalProposal

class pymc.NormalProposal(s)

pymc.PoissonProposal

class pymc.PoissonProposal(s)

pymc.UniformProposal

class pymc.UniformProposal(s)

pymc.CompoundStep

順番に適用する他のいくつかのステップのリストからなるステップ法

class pymc.CompoundStep(methods)

pymc.Slice

単一変数スライスサンプラー・ステップ法

class pymc.Slice(*args, **kwargs)