পিএমসি ব্যবহার করে বেয়েসিয়ান নেটওয়ার্ক ইনফারেন্সেশন (শুরুর বিভ্রান্তি)


12

আমি বর্তমানে কফেসেরায় ডাফনে কলার দ্বারা পিজিএম কোর্স নিচ্ছি। এটিতে, আমরা সাধারণত একটি বায়সিয়ান নেটওয়ার্ককে কারণ এবং প্রভাব পরিচালিত গ্রাফ হিসাবে পরিবর্তনশীলগুলির পর্যবেক্ষণ করা তথ্যের অংশ হিসাবে মডেল করি। তবে পাইএমসি টিউটোরিয়াল এবং উদাহরণগুলিতে আমি সাধারণত দেখতে পাই যে এটি পিজিএম বা ন্যূনতম আমি বিভ্রান্ত হয়ে পড়ে ঠিক তেমনভাবে মডেলিং করি নি। পিএমসি-তে কোনও পর্যবেক্ষিত আসল ওয়ার্ল্ড ভেরিয়েবলের পিতামাতারা প্রায়শই বিতরণের প্যারামিটারগুলি ব্যবহার করেন যা আপনি পরিবর্তনশীলকে মডেল করতে ব্যবহার করেন।

এখন আমার প্রশ্নটি আসলেই একটি ব্যবহারিক। ধরুন আমার কাছে 3 টি ভেরিয়েবল রয়েছে যার জন্য ডেটা পর্যবেক্ষণ করা হয় (এ, বি, সি) (ধরা যাক তারা কেবলমাত্র এটির জন্যই সমস্ত ক্রমাগত পরিবর্তনশীল)। কিছু ডোমেইন জ্ঞান থেকে, কেউ বলতে পারেন যে এ এবং বি সি ঘটায় তাই আমাদের এখানে একটি বিএন রয়েছে - এ, বি হল পিতা-মাতা এবং সি হল সন্তান। এখন বিএন সমীকরণ পি (এ, বি, সি) থেকে = পি (সি | এ, বি) * পি (এ) * পি (বি)

আমি বলতে পারি যে এ এবং বি কিছু মু এবং সিগমা সহ কিছু সাধারণ বিতরণ, তবে আমি কীভাবে পি (সি | এ, বি) মডেল করব? আমি যে সাধারণ ধারণাটি শিখতে চাইছি তা হল, আমি পিএনসি ব্যবহার করে এই বিএনটি কীভাবে শিখব যাতে আমি বিএনকে জিজ্ঞাসা করতে পারি। অথবা আমাকে কিছু ফ্যাশনে মডেলের পরামিতিগুলি দিয়ে বিএন বাড়িয়ে তুলতে হবে।

এই সমস্যাটি কি পিএমসি ব্যবহার করে সমাধানযোগ্য? বা আমি কিছু মৌলিক ভুল আছে?

কোন সাহায্য প্রশংসা হবে!

উত্তর:


6

স্বাস্থ্যকর অ্যালগরিদম একটি পোস্ট কটাক্ষপাত: http://healthyalgorithms.com/2011/11/23/causal-modeling-in-python-bayesian-networks-in-pymc/

পিএমসির টোটেরিয়ালে: http://pymc-devs.github.io/pymc/tutorial.html

হতে পারে আপনি নীচের কোড ক্লিপটি চেষ্টা করে দেখবেন (ধরে নিবেন আপনি পিএমসি এমসি হিসাবে আমদানি করেছেন):

A = mc.Normal('A', mu_A, tau_A)
B = mc.Normal('B', mu_B, tau_B)
p_C = mc.Lambda('p_C', lambda A=A, B=B: <<dependency spec goes here>>, doc='Pr[C|AB]')
C = mc.Bernoulli('C', p_C)
আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.