PyMC 中的逻辑回归

Question

这是一个初学者的问题，但我来自不同的语言，找不到完全正确的例子。我正在尝试在 PyMC 2 中设置一个简单的逻辑回归。考虑一个具有如下布局的 pandas 数据框“数据”：

ID, GotSick, Salad, Sandwich, Water
1,0,0,1,0
2,1,1,0,1
3,0,1,0,0
....
100,1,1,0,1

我正在尝试在结果“GotSick”中找到“Salad”、“Sandwich”和“Water”的优势比。在 R 中，我将其设置为：

model <- glm(GotSick ~ Salad + Sandwich + Water, data=Data, family="binomial")

但我并不完全清楚如何在 PyMC 中设置模型。

### hyperpriors
tau = mc.Gamma('tau', 1.e-3, 1.e-3, value=10.)
sigma = mc.Lambda('sigma', lambda tau=tau: tau**-.5)

### parameters
# fixed effects
beta0 =  mc.Normal('beta0',  0., 1e-6, value=0.)
betaSalad =  mc.Normal('betaSalad',  0., 1e-6, value=0.) 
betaSandwich =  mc.Normal('betaSandwich',  0., 1e-6, value=0.)
betaWater = mc.Normal('betaWater',  0., 1e-6, value=0.)

# expected parameter
logit_p =  (beta0 + betaSalad*x1 + betaSandwich*x2 + betaWater*x3)

我搁浅的地方是 @mc.observed 阶段 - 任何指针？

Answer 1

您绝对是在正确的轨道上。我不是在解决你的作业问题吗？它现在是 import pymc as pm 而不是 mc 的首选习惯用法，因此要使用 observed 装饰器完成此操作，只需使用：

import pymc as pm

@pm.observed
def y(logit_p=logit_p, value=df.GotSick):
    return pm.bernoulli_like(df.GotSick, pm.invlogit(logit_p))

这里是a notebook that puts this in all together。