PyMC 项目技术文档

1. 安装指南

安装环境要求

• Python 3.7 或更高版本
• 推荐使用 Anaconda 或 Miniconda 进行环境管理

安装步骤

1. 使用 pip 安装：

   pip install pymc
   

2. 使用 conda 安装：

   conda install -c conda-forge pymc
   

3. 验证安装： 安装完成后，可以通过以下命令验证是否安装成功：

   import pymc as pm
   print(pm.__version__)
   

2. 项目使用说明

项目简介

PyMC 是一个用于贝叶斯统计建模的 Python 包，专注于高级马尔可夫链蒙特卡罗（MCMC）和变分推断（VI）算法。其灵活性和可扩展性使其适用于大量问题。

主要功能

• 直观的模型指定语法：例如，x ~ N(0,1) 可以翻译为 x = Normal('x',0,1)。
• 强大的采样算法：如 No U-Turn Sampler (NUTS)，允许处理具有数千个参数的复杂模型。
• 变分推断：如 ADVI，用于快速近似后验估计，以及适用于大数据集的 mini-batch ADVI。
• 依赖 PyTensor：提供计算优化、动态 C 或 JAX 编译、NumPy 广播和高级索引、线性代数运算以及简单的可扩展性。
• 透明支持缺失值插补。

示例：线性回归

以下是一个简单的线性回归示例，用于预测植物生长基于不同的环境变量。

import pymc as pm

# 生成数据
seed = 42
x_dist = pm.Normal.dist(shape=(100, 3))
x_data = pm.draw(x_dist, random_seed=seed)

# 定义坐标值
coords = {
    "trial": range(100),
    "features": ["sunlight hours", "water amount", "soil nitrogen"],
}

# 定义生成模型
with pm.Model(coords=coords) as generative_model:
    x = pm.Data("x", x_data, dims=["trial", "features"])
    betas = pm.Normal("betas", dims="features")
    sigma = pm.HalfNormal("sigma")
    mu = x @ betas
    plant_growth = pm.Normal("plant growth", mu, sigma, dims="trial")

# 生成数据
fixed_parameters = {"betas": [5, 20, 2], "sigma": 0.5}
with pm.do(generative_model, fixed_parameters) as synthetic_model:
    idata = pm.sample_prior_predictive(random_seed=seed)
    synthetic_y = idata.prior["plant growth"].sel(draw=0, chain=0)

# 推断参数
with pm.observe(generative_model, {"plant growth": synthetic_y}) as inference_model:
    idata = pm.sample(random_seed=seed)
    summary = pm.stats.summary(idata, var_names=["betas", "sigma"])
    print(summary)

3. 项目 API 使用文档

主要 API

• pm.Model()：定义贝叶斯模型。
• pm.Normal()：定义正态分布。
• pm.HalfNormal()：定义半正态分布。
• pm.Data()：定义数据变量。
• pm.sample()：从模型中采样。
• pm.sample_prior_predictive()：从先验预测分布中采样。
• pm.sample_posterior_predictive()：从后验预测分布中采样。

示例

with pm.Model() as model:
    x = pm.Normal('x', mu=0, sigma=1)
    y = pm.Normal('y', mu=x, sigma=1)
    trace = pm.sample(1000)

4. 项目安装方式

使用 pip 安装

pip install pymc

使用 conda 安装

conda install -c conda-forge pymc

验证安装

import pymc as pm
print(pm.__version__)

通过以上步骤，您可以成功安装并开始使用 PyMC 进行贝叶斯统计建模。