扩展技术|PYTHON贝叶斯推理计算:用BETA先验分布推断概率和可视化案例。
原文链接:http://tecdat.cn/p=24084
原文出处:拓端数据部落公众号
在本文中,我将扩展从数据中推断概率的示例,并考虑0到1之间的所有(连续)值,而不是一组离散的候选概率。这意味着我们的先验(和后验)现在是概率密度函数(pdf),而不是概率质量函数(pmf)。
我考虑了从数据序列推断p0,即零的概率:
我使用p0的不同先验来解决同一个问题,它允许0到1之间的连续值,而不是一组离散的候选值。
概率
我们推理问题的起点是可能性——中观察到的数据序列的概率,写起来好像我知道p0的值:
为了清楚起见,我们可以插入p0=0.6,并找到给定未知概率值的指定数据序列的概率:
概率的更一般的形式是,它并不特定于所考虑的数据序列。
其中n0是零的数量,n1是所考虑的任何数据序列d中的1的数量。
先验 - Beta 分布
我们使用beta分布来表示我们先前的假设/信息。数学形式是:
其中,0和1是我们必须设置的超参数,反映了我们关于p0值的假设/信息。但是,我们只需要把p0看作我们要推断的参数——,忽略了这个参数是概率。
请注意后验 pdf 也将是 Beta Distribution,所以它值得尝试适应pdf。
大多数先验均值——人想要一个数字或点数来表示推理结果或包含在先验中的信息。然而,在贝叶斯推理方法中,先验和后验都是pdf或pmf。得到点估计的一种方法是取相关参数相对于先验或后验的平均值。例如,对于Beta prior,我们得到:
pdf 被归一化——的意思是,如果我们把p0从0积分到1,我们会得到一个:
因为以下关系:
就我们而言,最重要的信息是B从0归一化到1,这对于像p0这样的概率是必要的。
假设和信息可以通过设置超参数来体现——超参数00和11影响pdf的形状,使得先验信息的编码更加灵活。
例如,使用 0=1和 1=1不能反映p0的首选值。这个pdf看起来像。
另一个先验可以指定0=5,1=5,这更接近p0=1/2附近的值。
最后我们可以用01得到非对称先验,可以看到0=2,1=8。
设置超参数需要记住的一些事情:
如果0=1,则先验将是对称的,先验平均值等于Eprior[p0]=1/2。
如果01,则先验是不对称的,先验平均值与1/21/2不同。
先验强度与0 1之和有关。比较数据中与n0 n1之和,将视为假数。和的相对大小控制先验和似然对后验形状的影响。这将在下面的Python示例中变得清晰。
累积分布函数 (cdf)贝塔累积分布函数 (cdf)要求我们计算p0小于或等于值x的概率。具体来说,cdf定义为:
这个积分也叫不完全贝塔积分,表示为Ix(0,1)。
如果我们想知道x1和xh之间p0的概率,可以用cdf来计算。
不完全Beta积分或cdf及其逆积分允许根据先验或后验计算置信区间。使用这些工具,可以说p0的值在一定范围内有95%的概率。同样,我们将在下面使用Python代码绘制它。
贝塔分布是这个问题的共轭先验--这意味着后验将具有与先验相同的数学形式(它也是一个贝塔分布),并更新了超参数。这种数学上的 "共鸣 "真的很好,让我们不用MCMC就能做完整的贝叶斯推断。
现在来说说贝叶斯定理和这个问题的后验pdf。
贝叶斯定理和后验
我们的最终目标是后验概率密度函数,它结合了似然性和先验性,并反映了我们在考虑数据后对p0的认识。后面pdf的形式是(在这种情况下)。
换句话说,这是给定数据序列D和先验假设p0的概率密度,由具有超参数(0,1)的Beta pdf反映。
在这种情况下,贝叶斯定理采用以下形式:
其中后验P(p0|D,0,1)为蓝色,似然P(D|p0)为黑色,前验P(p0| 0,1)为红色。注意归一化边际似然。
然(上述等式中的分母)现在是一个积分。
尝试将贝叶斯定理视为关于 p0 从假设(α0,α1) 更新到假设 + 数据(D,α0,α1) 的信息:
试着把贝叶斯定理看作是关于p0的信息被从假设(α0,α1)更新为假设+数据(D,α0,α1)。
为了得到后验pdf,我们必须在贝叶斯定理的分母上做积分。在这种情况下,利用贝塔分布的特性,就可以进行计算。该积分如下。
最后一行的积分定义了一个贝塔函数,在关于先验的一节中讨论过,并且有一个已知的结果。
这意味着分母,也叫边际似然,等于。
同样,我们得到这个结果是因为Beta分布是我们所考虑的伯努利过程概率的共轭先验。请注意,来自先验的超参数已经被计数数据所更新。
这与人们预期的完全一样,不需要做所有的数学计算。在任何情况下,在用Python实现这一点之前,有几个注意事项。
- 后验pdf在0到1的区间内被归一化,就像我们推断p0这样的概率时需要的那样。
- 后验平均数,是对我们的推断给出一个点估计的方法是
- 后验的cdf和先验的一样,因为我们仍然有一个Beta分布--只不过,现在的参数是用数据更新的。在任何情况下,我们都可以用不完整的Beta积分和它的逆向找到置信区间,如上所述。
Python 中的推理代码
首先,我们导入一些包,使用这些包来计算和绘制先验、似然和后验。此外,使用 matplotlib,在本例中为 ggplot,创建漂亮的图。
概率
- def _int(sef, daa):
- ""二进制数据的概率。""
- elfus = {s:0 for s in ['0', '1']}
- def proes_data(sef, ata):
- ""处理数据。""
- for s in ['0', '1']:
- unts[s] =cont(s)
- ""处理概率。""
- n0 = couts['0']
- n1 = couts['1']
- if p0 != 0 and p0 != 1:
- # 典型情况
- lgpdaa = n0*log(p0) + \
- n1*log(1.-p0)
- rdta = exp(lgpata)
- elif p0 == 0 and n0 != 0:
- # 如果n0不是0,p0就不可能是0
- lpr_dta = -np.inf
- p_dta = exp(lgrata)
- elif p0 == 0 and n0 == 0:
- # 数据与p0=0一致
- lgpr_at = n1*np.log(1.-p0)
- p_ata =.exp(lo_dta)
- elif p0 == 1 and n1 != 0:
- # 如果n1不是0,p0就不可能是1
- lpdta = -inf
- praa = exp(lor_ta)
- elif p0 == 1 and n1 == 0:
- # 数据与p0=1一致
- log_dta = n0*log(p0)
- def prob(sef, p0):
- ""获取数据的概率。"""
- prdat,_ = ._procs_proabiti(p0)
- def logprob(sef, p0):
- ""获取数据的概率对数。"""
- _, lgpr_a = sel_presplies(p0)
先验分布
我们的先验类基本上是一个围绕 scipy的包,有一个绘图方法。注意 plot() 方法得到了 Beta 分布的平均值,并使用 interval() 方法得到了一个概率为 95% 的区域--这是使用不完整的 Beta 积分和上面讨论的它的逆值完成的。
- def _int_(sef, alpa0=1, alph1=1):
- ""二进制数据的β先验。""
- elfa0 = alha0
- sl.1 = alha1
- slf.0r = ba(self.0, sef.a1)
- def intrval(slf, pb):
- ""包含`prob'的pdf区域的端点。
- 例如:interval(0.95)
- """
- return sef.pvitervl(rob)
- def mean(self):
- """返回先验平均数。"""
- def pdf(self, p0):
- """p0处的概率密度。"""
- return self.p.pdf(p0)
- def plot(self):
- ""显示平均值和95%置信区间的图。""
- fig, ax = tsuplots(1, 1)
- x = np.rae(0., 1., 0.01)
- # 获得先验平均数 p0
- mean = mean()
- # 获得包含95%概率的低/高点
- low_p0, high_p0 = l.nterval(.95)
- xo =nang(_0, hih_p0, 0.01)
- # 绘制pdf
- ax.plot(x, self.pdf(x), 'r-')
- # 填充95%的区域
- between(x_prob 0, sel.pdf(x_pob)
- # 平均值
- ax.stem([mean], [sf.df(mea)
让我们使用新代码绘制一些具有一序列参数的 Beta pdf。
统一先验
带点的垂直线显示 pdf 均值的位置。阴影区域表示对于给定的 α0 和 α1 值,概率为 95% 的(对称)区域。如果您想要平均值和置信区间的实际值,也可以获取这些值:
print("先验均值: {}".format(pri.mean()))
上面的其他先前示例也有效:
- prior(5, 5)
- plot()
和
- por(2, 8)
- iplot()
了解超参数所反映的先前假设的均值和不确定性很有用。
后验
最后,我们为后验构建类。正如您所料,我将数据和先验作为参数,并从这些元素中提取后验所需的参数。
- def __int_(sf datprior):
- ""后验。
- data: 一个数据样本的列表
- 先验:β先验类的一个实例
- """
- elflilihod = liliod(dta)
- sefprir = rio
- self._css_steror()
- def _pces_posteror(slf):
- ""使用传递的数据和先验来处理后验。""
- # 从似然和先验中提取n0, n1, a0, a1
- seln = slfliklihod.counts['0']
- sel.n1 = elf.lkelihodcnts['1']
- lfa0 = sf.prir.0
- self.a = sef.priora
- el0rv= beta(selfa0 + sfn0,
- sef.a1 + slf.1)
- def interalself, prob):
- ""含`prob`的pdf区域的端点。
- 例如:interval(0.95)
- """
- def mean(sef):
- """返回后验平均数。"""
- def pdf(sef, p0):
- """p0处的概率密度。"""
- def plot(slf):
- ""显示先验、似然和后验的图。""
- ## 先验
- # 得到先验平均数 p0
- pri_mean =eorman()
- #得到包含95%概率的低/高分值
- plo_p0,= interval(0.95)
- prob = arange(low_p0, i_hgh_0, 0.01)
- # 绘制pdf
- plot(prior.pdf(x)
- # 填充95%的区域
- x.ll_between(pri_p )
- # 平均值
- astm([pri_mean])
- ## 似然
- # 绘制似然图
- li = [sel.likliood.pro]
- # ##后验
- #获得后验平均数p0
- ostmen = mean()
- #得到包含95%概率的低/高点
- ow_p0, _high_p0 = interval(0.95)
- prob = np.rngest_low_p0po_highp0 0.01)
- # 绘制pdf
- plot(x, slf.pd(x)
- # 填充95%的区域
- fil_etween(pos_xob, 0,self.df(pt_pr )
- # 平均值
- ax2].t_mean])
基本代码就是这样,让我们??做一些例子。
例子
让我们从数据和统一先验的示例开始。
- # 数据
- data1 = [0,0,0,0,1,1,0,0,0,1]
- # 先验
- pro1 = prir(1, 1)
- # 后验
- ot1 = psteior(daa1, ior1)
- plot()
这里需要注意的事项:
- 先验是统一的。这意味着概率和后验具有相同的形状。
- 95%的置信区间同时显示在先验和后验中。
接下来,让我们考虑具有不统一先验的相同数据。数据集长度为 10,因此 n0+n1=10。让我们用 α0+α1=10 ,设置先验,但先验在与似然不同的位置达到峰值(也许有专家说这应该是先验设置):
- # 先验
- prir(4, 6)
- # 后验
- ps2 = postior(da1, pio2)
- plot()
显然数据和专家在这一点上存在分歧。然而,因为先验的权重设置为 10 并且数据序列的长度为 10,所以后验峰值位于先验峰值和似然峰值的中间。尝试使用这种效果来更好地理解先验超参数、数据集长度和结果后验之间的相互作用。
作为最后一个例子,我们考虑最后一个例子的两个变体,首先我们使用统一先验:
- # 设定概率为0
- p0 = 0.2
- #设置rng种子为2
- n.rand.sed(2)
- # 产生数据
- dta2 =rando.i([0,1], 500, p=[p0, 1.-p0])
- # 先验
- prior(1,1)
- # 后验
- poteir(daa2, pio3)
请注意,概率和后验峰值在同一个地方,正如我们所期望的那样。但是,由于数据集较长(500 个值),峰值要强得多。
最后,我们在同一数据集上使用“错误先验”。在这种情况下,我们将保持先验强度为 10,即 α0+α1=10:
- # 先验
- prior(6,4)
- # 后验
- poseor(data, pior4)
请注意,尽管先验在错误的位置达到峰值,但概率和后验非常相似。这个例子表明,如果先验没有设置得太强,合理数量的数据应该产生不错的推理。一般来说,最好让 n0+n1α0+α1 并考虑先验和后验的形状。
最受欢迎的见解
1.matlab使用贝叶斯优化的深度学习
2.matlab贝叶斯隐马尔可夫hmm模型实现
3.R语言Gibbs抽样的贝叶斯简单线性回归仿真
4.R语言中的block Gibbs吉布斯采样贝叶斯多元线性回归
5.R语言中的Stan概率编程MCMC采样的贝叶斯模型
6.Python用PyMC3实现贝叶斯线性回归模型
7.R语言使用贝叶斯 层次模型进行空间数据分析
8.R语言随机搜索变量选择SSVS估计贝叶斯向量自回归(BVAR)模型
9.matlab贝叶斯隐马尔可夫hmm模型实现
▍关注我们
【大数据部落】第三方数据服务提供商,提供全面的统计分析与数据挖掘咨询服务,为客户定制个性化的数据解决方案与行业报告等。
▍咨询链接:http://y0.cn/teradat
▍联系邮箱:3025393450@qq.com
内容来源网络,如有侵权,联系删除,本文地址:https://www.230890.com/zhan/52958.html