是否可以使用分类随机变量在 PyMC3 中创建分层模型？

Question

我正在尝试使用 PyMC3 比较两个模型（来自 Jake Vanderplas 博客的example），但我无法让我修改后的代码工作（函数 best_theta() 和 logL() 在 Jake 的博客中进行了解释帖子，以IPython Notebook 形式提供）：

degrees = [1, 2, 3]

# best_theta() finds the best set of parameters for a given model
thetas = [best_theta(d) for d in degrees]

n = len(degrees)
prob = np.array([ 1 for _ in degrees ])

# model specs
from pymc3 import Model, Dirichlet, Categorical, DensityDist

with Model() as bfactor:
    choices = Dirichlet('choices', prob, shape=prob.shape[0])

    choice = Categorical('choice', choices)

    indmodel = [0] * len(degrees)
    for i, d in enumerate(degrees):
        # logL() calculates the log-likelihood for a given model
        indmodel[i] = DensityDist('indmodel', lambda value: logL(thetas[i]))

    fullmodel = DensityDist('fullmodel', lambda value: indmodel[choice].logp(value))

这引发了一个异常，因为变量 choice 是一个 RV 对象，而不是一个整数（与 PyMC2 中不同），正如 this question 中所讨论的。然而，在我的代码中，choice 的值对于让它工作很重要。

我的问题是，有没有办法访问 RV choice 的值，或者更一般地使用分类随机变量设置分层模型（即使用分类 RV 的值来计算另一个的对数似然房车）？

Answer 1

我对此进行了快速尝试。然而，这种方法需要进行相当大的改变，因为它通常更方便地对模型进行矢量化。这也揭示了我修复的一个错误 (https://github.com/pymc-devs/pymc3/commit/c784c478aa035b5113e175145df8751b0dea0df3)，因此您需要从当前的 master 进行更新才能使其正常工作。

这里是完整的NB： https://gist.github.com/anonymous/c1ada3388a40ae767a8d

它似乎还没有完全奏效，因为结果并不相同，但这是朝着正确方向迈出的一步。