迈克尔·奥斯特赫格的文章

DEMetropolis(Z) 采样器调优

对于连续变量，默认的PyMC采样器（NUTS）要求计算梯度，PyMC通过自动微分来实现这一点。然而，在某些情况下，PyMC模型可能没有提供梯度（例如，通过在PyMC外部评估数值模型），因此需要一个替代的采样器。DEMetropolisZ采样器是梯度无关推断的高效选择。PyMC中DEMetropolisZ的实现基于ter Braak和Vrugt [2008]，但采用了修改后的调优方案。本笔记本比较了采样器的各种调优参数设置，包括在PyMC中引入的drop_tune_fraction参数。

阅读更多 ...

DEMetropolis(Z) 采样器调优

对于连续变量，默认的PyMC采样器（NUTS）要求计算梯度，PyMC通过自动微分来实现这一点。然而，在某些情况下，PyMC模型可能没有提供梯度（例如，通过在PyMC外部评估数值模型），因此需要一个替代的采样器。DEMetropolisZ采样器是梯度无关推断的高效选择。PyMC中DEMetropolisZ的实现基于ter Braak和Vrugt [2008]，但采用了修改后的调优方案。本笔记本比较了采样器的各种调优参数设置，包括在PyMC中引入的drop_tune_fraction参数。

阅读更多 ...

DEMetropolis(Z) 采样器调优

对于连续变量，默认的PyMC采样器（NUTS）要求计算梯度，PyMC通过自动微分来实现这一点。然而，在某些情况下，PyMC模型可能没有提供梯度（例如，通过在PyMC外部评估数值模型），因此需要一个替代的采样器。DEMetropolisZ采样器是梯度无关推断的高效选择。PyMC中DEMetropolisZ的实现基于ter Braak和Vrugt [2008]，但采用了修改后的调优方案。本笔记本比较了采样器的各种调优参数设置，包括在PyMC中引入的drop_tune_fraction参数。

阅读更多 ...

DEMetropolis(Z) 采样器调优

对于连续变量，默认的PyMC采样器（NUTS）要求计算梯度，PyMC通过自动微分来实现这一点。然而，在某些情况下，PyMC模型可能没有提供梯度（例如，通过在PyMC外部评估数值模型），因此需要一个替代的采样器。DEMetropolisZ采样器是梯度无关推断的高效选择。PyMC中DEMetropolisZ的实现基于ter Braak和Vrugt [2008]，但采用了修改后的调优方案。本笔记本比较了采样器的各种调优参数设置，包括在PyMC中引入的drop_tune_fraction参数。

阅读更多 ...

DEMetropolis 和 DEMetropolis(Z) 算法比较

对于连续变量，默认的 PyMC 采样器（NUTS）要求计算梯度，PyMC 通过自动微分来实现这一点。然而，在某些情况下，PyMC 模型可能没有提供梯度（例如，通过在 PyMC 外部评估数值模型），因此需要一个替代的采样器。差分进化（DE）Metropolis 采样器是梯度无关推断的高效选择。本笔记本比较了 PyMC 中的 DEMetropolis 和 DEMetropolisZ 采样器，以帮助确定哪个是给定问题的更好选择。

阅读更多 ...

DEMetropolis 和 DEMetropolis(Z) 算法比较

对于连续变量，默认的 PyMC 采样器（NUTS）要求计算梯度，PyMC 通过自动微分来实现这一点。然而，在某些情况下，PyMC 模型可能没有提供梯度（例如，通过在 PyMC 外部评估数值模型），因此需要一个替代的采样器。差分进化（DE）Metropolis 采样器是梯度无关推断的高效选择。本笔记本比较了 PyMC 中的 DEMetropolis 和 DEMetropolisZ 采样器，以帮助确定哪个是给定问题的更好选择。

阅读更多 ...

DEMetropolis 和 DEMetropolis(Z) 算法比较

对于连续变量，默认的 PyMC 采样器（NUTS）要求计算梯度，PyMC 通过自动微分来实现这一点。然而，在某些情况下，PyMC 模型可能没有提供梯度（例如，通过在 PyMC 外部评估数值模型），因此需要一个替代的采样器。差分进化（DE）Metropolis 采样器是梯度无关推断的高效选择。本笔记本比较了 PyMC 中的 DEMetropolis 和 DEMetropolisZ 采样器，以帮助确定哪个是给定问题的更好选择。

阅读更多 ...

DEMetropolis 和 DEMetropolis(Z) 算法比较

对于连续变量，默认的 PyMC 采样器（NUTS）要求计算梯度，PyMC 通过自动微分来实现这一点。然而，在某些情况下，PyMC 模型可能没有提供梯度（例如，通过在 PyMC 外部评估数值模型），因此需要一个替代的采样器。差分进化（DE）Metropolis 采样器是梯度无关推断的高效选择。本笔记本比较了 PyMC 中的 DEMetropolis 和 DEMetropolisZ 采样器，以帮助确定哪个是给定问题的更好选择。

阅读更多 ...

使用块更新的Lasso回归

有时，一起更新一组参数非常有用。例如，高度相关的变量通常适合一起更新。在 PyMC 中，块更新很简单。这将在使用 pymc.sample 的参数 step 时进行演示。

阅读更多 ...

使用块更新的Lasso回归

有时，一起更新一组参数非常有用。例如，高度相关的变量通常适合一起更新。在 PyMC 中，块更新很简单。这将在使用 pymc.sample 的参数 step 时进行演示。

阅读更多 ...

使用块更新的Lasso回归

有时，一起更新一组参数非常有用。例如，高度相关的变量通常适合一起更新。在 PyMC 中，块更新很简单。这将在使用 pymc.sample 的参数 step 时进行演示。

阅读更多...

使用块更新的Lasso回归

有时，一起更新一组参数非常有用。例如，高度相关的变量通常适合一起更新。在 PyMC 中，块更新很简单。这将在使用 pymc.sample 的参数 step 时进行演示。

阅读更多...