Я работаю над реализацией скрытых цепей Маркова в pymc3. Я продвинулся довольно далеко в реализации скрытых состояний. Ниже я показываю простую марковскую цепь с двумя состояниями:
import numpy as np
import pymc3 as pm
import theano.tensor as tt
# Markov chain sample with 2 states that was created
# to have prob 0->1 = 0.1 and prob 1->0 = 0.3
sample = np.array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 0, 0, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 0,
0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0,
0, 0, 0, 1, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 0,
1, 1, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 0, 0, 0, 0, 0, 0, 1, 1, 0, 1,
0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0, 1, 0, 0, 1, 0],
dtype=np.uint8)
Сейчас я определяю класс, описывающий состояния. В качестве входных данных мне нужно знать вероятность P1 перейти из состояния 0 в состояние 1 и P2 перейти из 1-> 0. Мне также нужно знать вероятность PA для первого состояния, равного 0.
class HMMStates(pm.Discrete):
"""
Hidden Markov Model States
Parameters
----------
P1 : tensor
probability to remain in state 1
P2 : tensor
probability to move from state 2 to state 1
"""
def __init__(self, PA=None, P1=None, P2=None,
*args, **kwargs):
super(HMMStates, self).__init__(*args, **kwargs)
self.PA = PA
self.P1 = P1
self.P2 = P2
self.mean = 0.
self.mode = tt.cast(0,dtype='int64')
def logp(self, x):
PA = self.PA
P1 = self.P1
P2 = self.P2
# now we need to create an array with probabilities
# so that for x=A: PA=P1, PB=(1-P1)
# and for x=B: PA=P2, PB=(1-P2)
choice = tt.stack((P1,P2))
P = choice[x[:-1]]
x_i = x[1:]
ou_like = pm.Categorical.dist(P).logp(x_i)
return pm.Categorical.dist(PA).logp(x[0]) + tt.sum(ou_like)
Я очень горжусь продвинутыми трюками ниндзя индексирования, которым я научился в группе theano google. Вы также можете реализовать то же самое с помощью tt.switch. В чем я не был слишком уверен, так это в self.mode. Я просто дал ему 0, чтобы избежать ошибки тестового значения. Вот как использовать класс в модели, которая проверяет, работает ли он. В этом случае состояние не скрыто, а наблюдается.
with pm.Model() as model:
# 2 state model
# P1 is probablility to stay in state 1
# P2 is probability to move from state 2 to state 1
P1 = pm.Dirichlet('P1', a=np.ones(2))
P2 = pm.Dirichlet('P2', a=np.ones(2))
PA = pm.Deterministic('PA',P2/(P2+1-P1))
states = HMMStates('states',PA,P1,P2, observed=sample)
start = pm.find_MAP()
trace = pm.sample(5000, start=start)
вывод хорошо воспроизводит данные. В следующей модели я покажу проблему. Здесь я наблюдаю не состояния напрямую, а состояние с добавлением некоторого гауссовского шума (таким образом, скрытое состояние). Если вы запустите модель со степпером Metropolis, произойдет сбой с ошибкой индекса, которую я проследил до проблем, связанных с использованием степпера Metropolis в категориальных распределениях. К сожалению, единственным степпером, который можно было бы применить к моему классу, является степпер CategoricalGibbsMetropolis, но он отказывается работать с моим классом, поскольку явно не является категориальным распределением.
gauss_sample = sample*1.0 + 0.1*np.random.randn(len(sample))
from scipy import optimize
with pm.Model() as model2:
# 2 state model
# P1 is probablility to stay in state 1
# P2 is probability to move from state 2 to state 1
P1 = pm.Dirichlet('P1', a=np.ones(2))
P2 = pm.Dirichlet('P2', a=np.ones(2))
S = pm.InverseGamma('S',alpha=2.1, beta=1.1)
PA = pm.Deterministic('PA',P2/(P2+1-P1))
states = HMMStates('states',PA,P1,P2, shape=len(gauss_sample))
emission = pm.Normal('emission',
mu=tt.cast(states,dtype='float64'),
sd=S,
observed = gauss_sample)
start2 = pm.find_MAP(fmin=optimize.fmin_powell)
step1 = pm.Metropolis(vars=[P1, P2, S, PA, emission])
step2 = pm.ElemwiseCategorical(vars=[states], values=[0,1])
trace2 = pm.sample(10000, start=start, step=[step1,step2])
ElemwiseCategorical запускает его, но не присваивает правильное значение моим состояниям. Состояния либо все 0, либо все 1 с.
Как я могу указать ElemwiseCategorial назначить вектор состояний 1 и 0, или, альтернативно, как я могу заставить CategorialGibbsMetropolis распознать мое распределение как категориальное. Это должно быть распространенной проблемой с пользовательскими дистрибутивами.