這一節主要講一元線性迴歸模型
問題:利用給定的數據建立 y 與 x 之間的線性模型 ?
1. 構造出數據集
先導入相應的一系列庫
%matplotlib inline
import pymc3 as pm
import numpy as np
import pandas as pd
import scipy.stats as stats
import matplotlib.pyplot as plt
import seaborn as sns
palette = 'muted'
sns.set_palette(palette); sns.set_color_codes(palette)
np.set_printoptions(precision=2)
pd.set_option('display.precision', 2)
sns.set()
假設一個線性模型: ,在生成數據時加一個擾動項(eps_real)
np.random.seed(1)
N = 100
alfa_real = 2.5
beta_real = 0.9
eps_real = np.random.normal(0, 0.5, size=N)
x = np.random.normal(10, 1, N)
y_real = alfa_real + beta_real * x
y = y_real + eps_real
numpy.random.normal(loc=0.0, scale=1.0, size=None)
loc:float, 此概率分佈的均值(對應着整個分佈的中心center)
scale:float,此概率分佈的標準差(對應於分佈的寬度,scale越大越矮胖,scale越小越瘦高)
size:int or tuple of ints,輸出的shape,默認爲None,只輸出一個值(注意是個長度爲 size 的向量)
現在看看數據分佈與真實的線性迴歸模型
plt.figure(figsize=(10,5))
plt.subplot(1,2,1)
plt.plot(x, y, 'b.')
plt.xlabel('$x$', fontsize=16)
plt.ylabel('$y$', fontsize=16, rotation=0)
plt.plot(x, y_real, 'k')
plt.subplot(1,2,2)
sns.kdeplot(y)
plt.xlabel('$y$', fontsize=16)
plt.tight_layout()
plt.savefig('B04958_04_02.png', dpi=300, figsize=(5.5, 5.5))
2. 建立線性迴歸模型
with pm.Model() as model:
alpha = pm.Normal('alpha', mu=0, sd=10)
beta = pm.Normal('beta', mu=0, sd=1)
epsilon = pm.HalfCauchy('epsilon', 5)
mu = pm.Deterministic('mu', alpha + beta * x)
y_pred = pm.Normal('y_pred', mu=mu, sd=epsilon, observed=y)
start = pm.find_MAP()
step = pm.Metropolis()
trace = pm.sample(10000, step, start, nchains=1)
pm.traceplot(trace)
先看看模型擬合的效果,左圖爲核密度估計(Kernel Density Estimation,KDE)圖,右圖描述了每一步採樣過程中得到的採樣值。
注意:
- 具有較好的混合度;
- KDE圖做了歸一化(使得概率密度積分爲1),因此縱軸數值有很大差別。
再分析一下 , 自相關性:
可以發現 , 有很糟糕的自相關性。
請思考:爲什麼 , 自相關性很強? 因爲在使用“最小二乘法”的條件下,不論用哪條擬合的直線都會經過一點,採樣點的均值點
基於均方誤差(SE,即對誤差平方求和)最小化來進行模型求解的方法稱爲“最小二乘法”。在線性迴歸中,最小二乘法就是試圖找到一條直線,使得所有樣本到直線上的歐式距離之和最小。
那麼這個求解方法到底是什麼呢?其實就是對 , 求導!
進行求解:
將求得的 , 帶入模型有:
由上可知,擬合直線的過程相當於將直線固定在數據的中心(均值點)上進行旋轉,斜率越大截距越小,因此兩個參數是相關的。
現將後驗畫出來,可以發現 , 有較強自相關性。
sns.kdeplot(trace['alpha'], trace['beta'])
plt.xlabel(r'$\alpha$', fontsize=16)
plt.ylabel(r'$\beta$', fontsize=16, rotation=0)
plt.savefig('B04958_04_05.png', dpi=300, figsize=(5.5, 5.5));
3. 解決高自相關性
3.1 中心化或者標準化
中心化使得 的中心在 0 附近,從而使得修改斜率時旋轉點變成了截距點,參數空間也會變得不那麼自相關。直觀上解釋就是不再必經均值點,即 不再成立。
標準化好處之一是我們對數據使用了相同的弱先驗,而不必關心數據的具體值域有多大。
3.2 更換採樣方法
- NUTS算法
- Metropolis算法
with pm.Model() as model_n:
alpha = pm.Normal('alpha', mu=0, sd=10)
beta = pm.Normal('beta', mu=0, sd=1)
epsilon = pm.HalfCauchy('epsilon', 5)
mu = pm.Deterministic('mu', alpha + beta * x)
y_pred = pm.Normal('y_pred', mu=mu, sd=epsilon, observed=y)
start = pm.find_MAP()
# 更改採樣方法?
step = pm.NUTS()
trace_n = pm.sample(2000, step=step, start=start, nchains=1)
pm.traceplot(trace_n, varnames)
看看模型擬合的效果,可以發現各個參數都有較好的混合度。
現在再看看參數的自相關性與最後結果
4. 對後驗進行解釋和可視化
注意:以下後驗均是基於更改採樣方法(採用NUTS算法)得出的後驗。
4.1 後驗的不確定性
plt.plot(x, y, 'b.');
idx = range(0, len(trace_n['alpha']), 10)
plt.plot(x, trace_n['alpha'][idx] + trace_n['beta'][idx] * x[:,np.newaxis], c='gray', alpha=0.5);
plt.plot(x, alpha_m + beta_m * x, c='k', label='y = {:.2f} + {:.2f} * x'.format(alpha_m, beta_m))
plt.xlabel('$x$', fontsize=16)
plt.ylabel('$y$', fontsize=16, rotation=0)
plt.legend(loc=2, fontsize=14)
plt.show()
其中半透明的的直線表示後驗的不確定性,可以發現中間部分的不確定性較低,不過直線並沒有相交於一個點(後驗並不強制所有的直線都穿過均值點)。
4.2 預測值的 HPD 區間
ppc = pm.sample_ppc(trace_n, samples=1000, model=model_n)
plt.plot(x, y, 'b.')
plt.plot(x, alpha_m + beta_m * x, c='k', label='y = {:.2f} + {:.2f} * x'.format(alpha_m, beta_m))
sig0 = pm.hpd(ppc['y_pred'], alpha=0.5)[idx]
sig1 = pm.hpd(ppc['y_pred'], alpha=0.05)[idx]
plt.fill_between(x_ord, sig0[:,0], sig0[:,1], color='gray', alpha=1)
plt.fill_between(x_ord, sig1[:,0], sig1[:,1], color='gray', alpha=0.5)
plt.xlabel('$x$', fontsize=16)
plt.ylabel('$y$', fontsize=16, rotation=0)
plt.show()
對預測值進行採用,將50%HPD區間用深灰色區域表示,將95%HPD區間用淺灰色表示。
5. 皮爾遜相關係數
對於皮爾遜相關係數 r,我們需要了解以下幾點:
- 衡量兩個變量之間線性相關性(因此 r = 0 表示沒有線性關係,可能存在其他非線性關係);
- ,其中 爲斜率;
- 決定係數是皮爾遜相關係數的平方。
5.1 利用PyMC3計算 r
with pm.Model() as model_n:
alpha = pm.Normal('alpha', mu=0, sd=10)
beta = pm.Normal('beta', mu=0, sd=1)
epsilon = pm.HalfCauchy('epsilon', 5)
mu = alpha + beta * x
y_pred = pm.Normal('y_pred', mu=mu, sd=epsilon, observed=y)
rb = pm.Deterministic('rb', (beta * x.std() / y.std()) ** 2)
y_mean = y.mean()
ss_reg = pm.math.sum((mu - y_mean) ** 2)
ss_tot = pm.math.sum((y - y_mean) ** 2)
rss = pm.Deterministic('rss', ss_reg/ss_tot)
start = pm.find_MAP()
step = pm.NUTS()
trace_n = pm.sample(2000, step=step, start=start, nchains=1)
pm.traceplot(trace_n)
5.2 根據多元高斯分佈計算 r
先看一下高斯分佈,其中標準差 。
sigma_x1 = 1
sigmas_x2 = [1, 2]
rhos = [-0.99, -0.5, 0, 0.5, 0.99]
k, l = np.mgrid[-5:5:.1, -5:5:.1]
pos = np.empty(k.shape + (2,))
pos[:, :, 0] = k; pos[:, :, 1] = l
f, ax = plt.subplots(len(sigmas_x2), len(rhos), sharex=True, sharey=True, figsize=(12, 8))
# f.figure(figsize=(5, 1))
for i in range(2):
for j in range(5):
sigma_x2 = sigmas_x2[i]
rho = rhos[j]
cov = [[sigma_x1**2, sigma_x1*sigma_x2*rho], [sigma_x1*sigma_x2*rho, sigma_x2**2]]
rv = stats.multivariate_normal([0, 0], cov)
ax[i,j].contour(k, l, rv.pdf(pos))
ax[i,j].plot(0, 0,
label="$\\sigma_{{x2}}$ = {:3.2f}\n$\\rho$ = {:3.2f}".format(sigma_x2, rho), alpha=0)
ax[i,j].legend()
ax[1,2].set_xlabel('$x_1$')
ax[1,0].set_ylabel('$x_2$')
plt.show()
由於並不知道這些標準差(組成的協方差矩陣),因此我們可以通過設置標準差的先驗,然後利用這些值手動構造協方差矩陣。
data = np.stack((x, y)).T
with pm.Model() as pearson_model:
mu = pm.Normal('mu', mu=data.mean(0), sd=10, shape=2)
sigma_1 = pm.HalfNormal('simga_1', 10)
sigma_2 = pm.HalfNormal('sigma_2', 10)
rho = pm.Uniform('rho', -1, 1)
cov = pm.math.stack(([sigma_1**2, sigma_1*sigma_2*rho], [sigma_1*sigma_2*rho, sigma_2**2]))
y_pred = pm.MvNormal('y_pred', mu=mu, cov=cov, observed=data)
start = pm.find_MAP()
step = pm.NUTS(scaling=start)
trace_p = pm.sample(1000, step=step, start=start, nchains=1)
pm.traceplot(trace_p)
plt.show()
項目源碼:https://github.com/dhuQChen/BayesianAnalysis