pymc.NUTS#
- class pymc.NUTS(*args, **kwargs)[源代码]#
基于哈密顿力学的连续变量采样器。
NUTS 自动调整每个样本的步长和步数。详细描述可以在 [1] 中找到，即“算法 6：带有双重平均的高效无 U 形转弯采样器”。
NUTS 提供了许多可以通过 trace.get_sampler_stats 访问的统计数据：
mean_tree_accept: 生成此样本的树的平均接受概率。所有样本（不包括预热阶段）的这些值的平均值应大约为 `target_accept`（此默认值为 0.8）。
diverging：此样本的轨迹是否发散。如果在燃烧期后有任何发散，这表明结果可能不可靠。重新参数化通常有帮助，但你也可以尝试将 target_accept 增加到 0.9 或 0.95。
energy: 样本被接受时的相空间点的能量。这可以用来识别具有问题性长尾的后验分布。参见下文示例。
energy_change: 轨迹开始和结束之间的能量差异。对于一个完美的积分器，这总是为零。
max_energy_change: 整个轨迹中能量的最大差异。
depth: 用于生成此示例的树的深度
tree_size: 采样树的叶子数量，当样本被接受时。这通常略小于 2 ** 深度。如果树的大小很大，采样器正在使用大量的蛙跳步骤来找到下一个样本。例如，如果后验分布中存在强相关性，如果后验分布有长尾，如果存在高曲率区域（“漏斗”），或者如果质量矩阵中的方差估计不准确，这种情况可能会发生。重新参数化模型或根据过去的样本估计后验方差可能会有所帮助。
tune: 如果生成此样本时启用了步长自适应，则为 True。
step_size: 用于此样本的步长。
step_size_bar: 当前已知的最优步长。在调整样本之后，步长被设置为这个值。这个值应在调整过程中收敛。
model_logp: 该样本的模型对数似然。
process_time_diff: 绘制样本所花费的时间，由Python标准库 time.process_time 定义。这包括所有CPU时间，包括BLAS和OpenMP中的工作进程。
perf_counter_diff: 绘制样本所花费的时间，由 Python 标准库 time.perf_counter 定义（挂钟时间）。
perf_counter_start: 在绘制计算开始时 time.perf_counter 的值。
index_in_trajectory: 这通常仅在调试时有意义。它指示后验抽样在轨迹中的位置。例如，-4 表示该抽样是负方向上第四次蛙跳步骤的结果。
largest_eigval 和 smallest_eigval：一些质量矩阵自适应算法的实验统计数据。如果未使用，则为 nan。
参考文献
[1]Hoffman, Matthew D., & Gelman, Andrew. (2011). The No-U-Turn Sampler: 在Hamiltonian Monte Carlo中自适应设置路径长度。
方法
NUTS.__init__([vars, max_treedepth, ...])设置 No-U-Turn 采样器。
NUTS.astep(q0)执行一次HMC迭代。
NUTS.competence(var, has_grad)检查这个类对于采样随机变量的适用性。
NUTS.reset([start])NUTS.reset_tuning([start])NUTS.step(point)执行采样器的一个步骤。
属性
default_blockednamestats_dtypes包含 <=1 个字典的列表，该字典将统计名称映射到数据类型。
stats_dtypes_shapes将统计名称映射到数据类型和形状。
vars分配给步骤方法的变量。
integrator