我试图用高斯（和更复杂）函数拟合一些数据。我在下面创建了一个小例子。
我的第一个问题是，我做得对吗？
我的第二个问题是，如何在x方向上添加误差，即在观测/数据的x位置？
如何在pyMC中进行这种回归很难找到很好的指南。也许是因为它更容易使用一些最小二乘或类似的方法，但我最终有很多参数，需要看看我们如何约束它们并比较不同的模型，pyMC似乎是一个很好的选择。
import pymc
import numpy as np
import matplotlib.pyplot as plt; plt.ion()
x = np.arange(5,400,10)*1e3
# Parameters for gaussian
amp_true = 0.2
size_true = 1.8
ps_true = 0.1
# Gaussian function
gauss = lambda x,amp,size,ps: amp*np.exp(-1*(np.pi**2/(3600.*180.)*size*x)**2/(4.*np.log(2.)))+ps
f_true = gauss(x=x,amp=amp_true, size=size_true, ps=ps_true )
# add noise to the data points
noise = np.random.normal(size=len(x)) * .02
f = f_true + noise
f_error = np.ones_like(f_true)*0.05*f.max()
# define the model/function to be fitted.
def model(x, f):
amp = pymc.Uniform('amp', 0.05, 0.4, value= 0.15)
size = pymc.Uniform('size', 0.5, 2.5, value= 1.0)
ps = pymc.Normal('ps', 0.13, 40, value=0.15)
@pymc.deterministic(plot=False)
def gauss(x=x, amp=amp, size=size, ps=ps):
e = -1*(np.pi**2*size*x/(3600.*180.))**2/(4.*np.log(2.))
return amp*np.exp(e)+ps
y = pymc.Normal('y', mu=gauss, tau=1.0/f_error**2, value=f, observed=True)
return locals()
MDL = pymc.MCMC(model(x,f))
MDL.sample(1e4)
# extract and plot results
y_min = MDL.stats()['gauss']['quantiles'][2.5]
y_max = MDL.stats()['gauss']['quantiles'][97.5]
y_fit = MDL.stats()['gauss']['mean']
plt.plot(x,f_true,'b', marker='None', ls='-', lw=1, label='True')
plt.errorbar(x,f,yerr=f_error, color='r', marker='.', ls='None', label='Observed')
plt.plot(x,y_fit,'k', marker='+', ls='None', ms=5, mew=2, label='Fit')
plt.fill_between(x, y_min, y_max, color='0.5', alpha=0.5)
plt.legend()
我意识到我可能需要运行更多的迭代，最后使用刻录和细化。绘制数据和拟合的图如下所示。
pymc.Matplot.plot（MDL）数字看起来像这样，显示出很好的峰值分布。这很好，对吗？
我的第一个问题是，我做得对吗？
是!您需要包含一个老化期，您知道。我想丢掉我的样品的前半部分。您不需要进行任何细化，但有时它会使您的MCMC后处理工作更快，存储更小。
我建议的唯一另一件事就是设置一个随机种子，这样你的结果就是“可重复的”：np.random.seed(12345)就可以了。
哦，如果我真的给了太多建议，我会说import seaborn让matplotlib的结果更漂亮一点。
我的第二个问题是，如何在x方向上添加误差，即在观测/数据的x位置？
一种方法是为每个错误包含一个潜在变量。这适用于您的示例，但如果您有更多观察，则不可行。我会举一个例子让你开始走这条路：
# add noise to observed x values
x_obs = pm.rnormal(mu=x, tau=(1e4)**-2)
# define the model/function to be fitted.
def model(x_obs, f):
amp = pm.Uniform('amp', 0.05, 0.4, value= 0.15)
size = pm.Uniform('size', 0.5, 2.5, value= 1.0)
ps = pm.Normal('ps', 0.13, 40, value=0.15)
x_pred = pm.Normal('x', mu=x_obs, tau=(1e4)**-2) # this allows error in x_obs
@pm.deterministic(plot=False)
def gauss(x=x_pred, amp=amp, size=size, ps=ps):
e = -1*(np.pi**2*size*x/(3600.*180.))**2/(4.*np.log(2.))
return amp*np.exp(e)+ps
y = pm.Normal('y', mu=gauss, tau=1.0/f_error**2, value=f, observed=True)
return locals()
MDL = pm.MCMC(model(x_obs, f))
MDL.use_step_method(pm.AdaptiveMetropolis, MDL.x_pred) # use AdaptiveMetropolis to "learn" how to step
MDL.sample(200000, 100000, 10) # run chain longer since there are more dimensions
如果你在x和y有噪音，看起来很难得到好的答案：
编辑：重要说明这一直困扰我一段时间。我和亚伯拉罕在这里给出的答案是正确的，因为它们增加了x的可变性。但是：请注意，您不能简单地以这种方式添加不确定性来抵消x值中的错误，以便您对“true x”进行回归。本答案中的方法可以向您展示如果您拥有真实x，如何向x添加错误会影响您的回归。如果你有一个误测的x，这些答案对你没有帮助。在x值中存在误差是一个非常棘手的问题，因为它会导致“衰减”和“变量误差效应”。简短版本是：在x中具有无偏差的随机误差会导致回归估计出现偏差。如果您有这个问题，请查看Carroll，R.J.，Ruppert，D.，Crainiceanu，C.M。和Stefanski，L.A.，2006年。非线性模型中的测量误差：现代视角。 Chapman和Hall / CRC。，或贝叶斯方法，Gustafson，P.，2003。统计和流行病学中的测量误差和错误分类：影响和贝叶斯调整。 CRC出版社。我最终使用Carroll等人的SIMEX方法和PyMC3来解决我的具体问题。详情见Carstens，H.，Xia，X。和Yadavalli，S.，2017。用于测量和验证的低成本电能表校准方法。 Applied energy，188，pp.563-575。它也可以在ArXiv上使用
我将Abraham Flaxman的上述答案转换为PyMC3，万一有人需要它。一些非常小的变化，但可能会令人困惑。
第一个是确定性装饰器@Deterministic被类似分布的调用函数var=pymc3.Deterministic()所取代。第二，当生成正态分布随机变量的向量时，
rvs = pymc2.rnormal(mu=mu, tau=tau)
被替换为
rvs = pymc3.Normal('var_name', mu=mu, tau=tau,shape=size(var)).random()
完整的代码如下：
import numpy as np
from pymc3 import *
import matplotlib.pyplot as plt
# set random seed for reproducibility
np.random.seed(12345)
x = np.arange(5,400,10)*1e3
# Parameters for gaussian
amp_true = 0.2
size_true = 1.8
ps_true = 0.1
#Gaussian function
gauss = lambda x,amp,size,ps: amp*np.exp(-1*(np.pi**2/(3600.*180.)*size*x)**2/(4.*np.log(2.)))+ps
f_true = gauss(x=x,amp=amp_true, size=size_true, ps=ps_true )
# add noise to the data points
noise = np.random.normal(size=len(x)) * .02
f = f_true + noise
f_error = np.ones_like(f_true)*0.05*f.max()
with Model() as model3:
amp = Uniform('amp', 0.05, 0.4, testval= 0.15)
size = Uniform('size', 0.5, 2.5, testval= 1.0)
ps = Normal('ps', 0.13, 40, testval=0.15)
gauss=Deterministic('gauss',amp*np.exp(-1*(np.pi**2*size*x/(3600.*180.))**2/(4.*np.log(2.)))+ps)
y =Normal('y', mu=gauss, tau=1.0/f_error**2, observed=f)
start=find_MAP()
step=NUTS()
trace=sample(2000,start=start)
# extract and plot results
y_min = np.percentile(trace.gauss,2.5,axis=0)
y_max = np.percentile(trace.gauss,97.5,axis=0)
y_fit = np.percentile(trace.gauss,50,axis=0)
plt.plot(x,f_true,'b', marker='None', ls='-', lw=1, label='True')
plt.errorbar(x,f,yerr=f_error, color='r', marker='.', ls='None', label='Observed')
plt.plot(x,y_fit,'k', marker='+', ls='None', ms=5, mew=1, label='Fit')
plt.fill_between(x, y_min, y_max, color='0.5', alpha=0.5)
plt.legend()
结果如何
对于x中的错误（注意变量的'x'后缀）：
# define the model/function to be fitted in PyMC3:
with Model() as modelx:
x_obsx = pm3.Normal('x_obsx',mu=x, tau=(1e4)**-2, shape=40)
ampx = Uniform('ampx', 0.05, 0.4, testval=0.15)
sizex = Uniform('sizex', 0.5, 2.5, testval=1.0)
psx = Normal('psx', 0.13, 40, testval=0.15)
x_pred = Normal('x_pred', mu=x_obsx, tau=(1e4)**-2*np.ones_like(x_obsx),testval=5*np.ones_like(x_obsx),shape=40) # this allows error in x_obs
gauss=Deterministic('gauss',ampx*np.exp(-1*(np.pi**2*sizex*x_pred/(3600.*180.))**2/(4.*np.log(2.)))+psx)
y = Normal('y', mu=gauss, tau=1.0/f_error**2, observed=f)
start=find_MAP()
step=NUTS()
tracex=sample(20000,start=start)
结果如下：
最后一个观察是做的时候
traceplot(tracex[100:])
plt.tight_layout();
（结果未显示），我们可以看到，由于sizex的测量误差，x似乎正在遭受“衰减”或“回归稀释”。