bayesian - pymc MAP警告: Stochastic tau's value is neither numerical nor array with floating-point dtype.推荐拟合方法fmin(默认)

Question

我在这里看过类似的问题

pymc warning: value is neither numerical nor array with floating-point dtype

但没有答案，有人可以告诉我我是否应该忽略此警告或该怎么做？

模型有一个随机变量(除其他外)tau，它是DiscreteUniform

以下是该模型的相关代码:

tau = pm.DiscreteUniform("tau", lower = 0, upper = n_count_data)
lambda_1 = pm.Exponential("lambda_1", alpha)
lambda_2 = pm.Exponential("lambda_2", alpha)
print "Initial values: ", tau.value, lambda_1.value, lambda_2.value

@pm.deterministic
def lambda_(tau = tau, lambda_1 = lambda_1, lambda_2 = lambda_2):
    out = np.zeros(n_count_data)
    out[:tau] = lambda_1
    out[tau:] = lambda_2
    return out

observation = pm.Poisson("obs", lambda_, value = count_data, observed = True)
model = pm.Model([observation, lambda_1, lambda_2, tau]);
m = pm.MAP(model)                    # **This line caueses error**
print "Output after using MAP: ", tau.value, lambda_1.value, lambda_2.value

Answer 1

pymc 文档显示“MAP can only handle variables whose dtype is float”。您的 tau 来自离散分布，因此它应该具有类似 int 的数据类型。如果您调用 fit 方法来估计参数的最大后验值，tau 将被假定为 float 。如果这有意义，那么是否可以忽略此警告取决于当前的问题。如果您的可能性表现良好，您最终可能会得到一个浮点值 tau，该值接近您实际想要估计的整数值。但是，如果您想象一种情况，所有非整数值的可能性均为 0，则像 fmin 这样的梯度方法将不起作用，并且您的最大后验值也不会产生任何意义。在这种情况下，您必须找到一种不同的方法来计算最大后验值(同样，取决于当前的问题)。