Configuración del problema
Uno de los primeros problemas con los juguetes a los que quería aplicar PyMC es la agrupación no paramétrica: dado algunos datos, modelarlo como una mezcla gaussiana y conocer el número de grupos y la media y covarianza de cada grupo. La mayor parte de lo que sé sobre este método proviene de video conferencias de Michael Jordan y Yee Whye Teh, alrededor del año 2007 (antes de que la escasez se convirtiera en furor), y los últimos días leyendo los tutoriales del Dr. Fonnesbeck y E. Chen [fn1], [ fn2]. Pero el problema está bien estudiado y tiene algunas implementaciones confiables [fn3].
En este problema con el juguete, genero diez sorteos a partir de un Gaussiano unidimensional ( μ = 0 , σ = 1 ) y cuarenta sorteos a partir de N ( μ = 4 , σ = 2 ) . Como puede ver a continuación, no barajé los sorteos, para que sea fácil saber qué muestras provienen de qué componente de la mezcla.
I modelar cada muestra de datos , para i = 1 , . . . , 50 y donde z i indica el clúster para este i ésimo punto de datos: z i ∈ [ 1 , . . . , N D P ] . N D P aquí es la duración del proceso de Dirichlet truncado utilizado: para mí, N.
Expandiendo la infraestructura del proceso de Dirichlet, cada ID de clúster es un sorteo de una variable aleatoria categórica, cuya función de masa de probabilidad viene dada por la construcción de ruptura de palo: z i ∼ C a t e g o r i c a l ( p ) con p ∼ S t i c k ( α ) para un parámetro de concentración α . La rotura de palos construye el vector N D P - largo p, que debe sumar 1, obteniendo primero iid sorteos distribuidos en Beta que dependen de α , ver [fn1]. Y como me gustaría que los datos informaran mi ignorancia de α , sigo [fn1] y asumo α ∼ U n i f o r m ( 0.3 , 100 ) .
Esto especifica cómo se genera el ID de clúster de cada muestra de datos. Cada uno de los grupos tiene una desviación estándar y media asociada, μ z i y σ z i . Entonces, μ z i ∼ N ( μ = 0 , σ = 50 ) y σ z i ∼ U n i f o r m ( 0 , 100 ) .
En resumen, mi modelo es:
, un escalar. (Ahora me arrepiento un poco de que la cantidad de muestras de datos sea igual a la longitud truncada del Dirichlet antes, pero espero que esté claro).
Aquí está el modelo gráfico: los nombres son nombres de variables, consulte la sección de códigos a continuación.
Planteamiento del problema
A pesar de varios ajustes y correcciones fallidas, los parámetros aprendidos no son en absoluto similares a los valores verdaderos que generaron los datos.
Recordando que las primeras diez muestras de datos eran de un modo y el resto eran del otro, el resultado anterior claramente no logra capturar eso.
Si permito la inicialización aleatoria de las ID de clúster, entonces obtengo más de un clúster pero el clúster significa que todos deambulan por el mismo nivel 3.5:
Apéndice: código
import pymc
import numpy as np
### Data generation
# Means and standard deviations of the Gaussian mixture model. The inference
# engine doesn't know these.
means = [0, 4.0]
stdevs = [1, 2.0]
# Rather than randomizing between the mixands, just specify how many
# to draw from each. This makes it really easy to know which draws
# came from which mixands (the first N1 from the first, the rest from
# the secon). The inference engine doesn't know about N1 and N2, only Ndata
N1 = 10
N2 = 40
Ndata = N1+N2
# Seed both the data generator RNG as well as the global seed (for PyMC)
RNGseed = 123
np.random.seed(RNGseed)
def generate_data(draws_per_mixand):
"""Draw samples from a two-element Gaussian mixture reproducibly.
Input sequence indicates the number of draws from each mixand. Resulting
draws are concantenated together.
"""
RNG = np.random.RandomState(RNGseed)
values = np.hstack([RNG.normal(means[i], stdevs[i], ndraws)
for (i,ndraws) in enumerate(draws_per_mixand)])
return values
observed_data = generate_data([N1, N2])
### PyMC model setup, step 1: the Dirichlet process and stick-breaking
# Truncation level of the Dirichlet process
Ndp = 50
# "alpha", or the concentration of the stick-breaking construction. There exists
# some interplay between choice of Ndp and concentration: a high concentration
# value implies many clusters, in turn implying low values for the leading
# elements of the probability mass function built by stick-breaking. Since we
# enforce the resulting PMF to sum to one, the probability of the last cluster
# might be then be set artificially high. This may interfere with the Dirichlet
# process' clustering ability.
#
# An example: if Ndp===4, and concentration high enough, stick-breaking might
# yield p===[.1, .1, .1, .7], which isn't desireable. You want to initialize
# concentration so that the last element of the PMF is less than or not much
# more than the a few of the previous ones. So you'd want to initialize at a
# smaller concentration to get something more like, say, p===[.35, .3, .25, .1].
#
# A thought: maybe we can avoid this interdependency by, rather than setting the
# final value of the PMF vector, scale the entire PMF vector to sum to 1? FIXME,
# TODO.
concinit = 5.0
conclo = 0.3
conchi = 100.0
concentration = pymc.Uniform('concentration', lower=conclo, upper=conchi,
value=concinit)
# The stick-breaking construction: requires Ndp beta draws dependent on the
# concentration, before the probability mass function is actually constructed.
betas = pymc.Beta('betas', alpha=1, beta=concentration, size=Ndp)
@pymc.deterministic
def pmf(betas=betas):
"Construct a probability mass function for the truncated Dirichlet process"
# prod = lambda x: np.exp(np.sum(np.log(x))) # Slow but more accurate(?)
prod = np.prod
value = map(lambda (i,u): u * prod(1.0 - betas[:i]), enumerate(betas))
value[-1] = 1.0 - sum(value[:-1]) # force value to sum to 1
return value
# The cluster assignments: each data point's estimated cluster ID.
# Remove idinit to allow clusterid to be randomly initialized:
idinit = np.zeros(Ndata, dtype=np.int64)
clusterid = pymc.Categorical('clusterid', p=pmf, size=Ndata, value=idinit)
### PyMC model setup, step 2: clusters' means and stdevs
# An individual data sample is drawn from a Gaussian, whose mean and stdev is
# what we're seeking.
# Hyperprior on clusters' means
mu0_mean = 0.0
mu0_std = 50.0
mu0_prec = 1.0/mu0_std**2
mu0_init = np.zeros(Ndp)
clustermean = pymc.Normal('clustermean', mu=mu0_mean, tau=mu0_prec,
size=Ndp, value=mu0_init)
# The cluster's stdev
clustersig_lo = 0.0
clustersig_hi = 100.0
clustersig_init = 50*np.ones(Ndp) # Again, don't really care?
clustersig = pymc.Uniform('clustersig', lower=clustersig_lo,
upper=clustersig_hi, size=Ndp, value=clustersig_init)
clusterprec = clustersig ** -2
### PyMC model setup, step 3: data
# So now we have means and stdevs for each of the Ndp clusters. We also have a
# probability mass function over all clusters, and a cluster ID indicating which
# cluster a particular data sample belongs to.
@pymc.deterministic
def data_cluster_mean(clusterid=clusterid, clustermean=clustermean):
"Converts Ndata cluster IDs and Ndp cluster means to Ndata means."
return clustermean[clusterid]
@pymc.deterministic
def data_cluster_prec(clusterid=clusterid, clusterprec=clusterprec):
"Converts Ndata cluster IDs and Ndp cluster precs to Ndata precs."
return clusterprec[clusterid]
data = pymc.Normal('data', mu=data_cluster_mean, tau=data_cluster_prec,
observed=True, value=observed_data)
Referencias
- fn1: http://nbviewer.ipython.org/urls/raw.github.com/fonnesbeck/Bios366/master/notebooks/Section5_2-Dirichlet-Processes.ipynb
- fn2: http://blog.echen.me/2012/03/20/infinite-mixture-models-with-nonparametric-bayes-and-the-dirichlet-process/
- fn3: http://scikit-learn.org/stable/auto_examples/mixture/plot_gmm.html#example-mixture-plot-gmm-py