pymc-modeling

PyMC モデリング

役立つ出発点を選びます。シンプルなひな形、確立された専門分野のモデル、またはより大きな対象モデルを分解したものから始められます。質問、データ、検証内容に応じて、拡張、簡略化、または分岐させます。利用するプロジェクトのデータと Python 環境を使い、インストール済みの API とパッケージの互換性を確認してください。

pymc-extras のタスクでは、まず機能の選択と互換性を確認し、その後、関連するワークフローのリファレンスだけを読み込みます。独自実装よりも、サポートされているアルゴリズムを優先してください。インストールされているという理由だけで拡張機能を使わないでください。

主なタスクを選ぶ

• モデルの構築、フィッティング、または初期化：pymc-modeling を使います。
• 事前分布の仮定を引き出す、または事前予測の妥当性を確認する：利用可能な場合は prior-elicitation を使います。
• 既存のフィッティング済みモデルを診断する、またはその予測を評価する：利用可能な場合は arviz-diagnostics を使います。
• シンボリック計算、ブロードキャスト、勾配、またはコンパイルの問題を修正する：利用可能な場合は pytensor-workflows を使います。
• 実験を追跡する、MLflow の成果物を保持する、または記録済みの MMM モデルを復元する：利用可能な場合は pymc-mlflow を使います。

複数のタスクを含むリクエストでは、複数のスキルを使えます。以下のリファレンスは、専門スキルがインストールされていない場合にモデリングを支援します。

ワークフロー

1. 定式化します。 推定対象または予測対象、観測単位、アウトカムの支持範囲、グループ構造／時間構造、選択と欠損、予測時に利用できる情報を明示します。予測に関する主張、推論に関する主張、因果に関する主張を区別し、データの利用許可を遵守して、ソースの識別情報を保持します。
2. モデルを指定して確認します。 観測過程に尤度を適合させ、識別可能なパラメーター化と、単位を明示した事前分布を選びます。行の対応、形状、支持範囲、初期対数密度が有限であることを確認します。通常の dims は位置で対応付けるテンソルにラベルを付けますが、座標を結合するものではありません。 新しい実装とその失敗モードを調べるには、パラメーター既知のシミュレーションケースを使います。推論チェックを繰り返す必要がある場合は、対象を絞った SBC を使います。
3. 事前予測を確認します。 フィッティング前にシミュレーションし、支持範囲、尺度、意思決定に関わる特徴をドメイン知識と比較します。観測された極値だけを根拠に事前分布を調整しないでください。
4. 探索してから、推論用にフィッティングします。 互換性があり、インストール済みの場合は nutpie を優先します。短い予備フィッティングは、バグ、難しい幾何、または大まかな不適合を明らかにするのに役立ちますが、信頼できる事後推論ではなく探索的なものとして示します。報告可能な結果を得るには、適応と必要な ESS／MCSE に基づいてウォームアップとサンプル数を確保します。診断やプロットを行う前に結果を保存します。
5. 診断してから批判的に検討します。 発散、ランク R-hat、バルク／テール ESS、MCSE、チェーン／ランクプロットを確認します。すべての発散を診断します。計算が信頼できない場合、事後結論は未解決のままです。これは尤度を否定するものではありません。観測モデルを確認するために、事後予測の不一致を使います。インサンプル PPC はホールドアウト検証ではありません。
6. 予測し、判断し、見直します。 学習データの識別情報を保持し、新しい入力を対応付けます。潜在平均とノイズを含む観測値を区別します。推奨を行う場合は、明示された結果、効用、制約に不確実性を反映させるか、意思決定者の価値観を勝手に作り出さずに推論を引き継ぎます。関連するモデルのバリアントを保持し、どのモデルが最高スコアかだけでなく、仮定の変更が推定対象、予測、意思決定にどう影響するかを説明します。適応的な PPC／CV 駆動の探索は過学習する可能性があります。その勝者を唯一確認されたモデルとして提示したり、有利な結果を得るためだけにシードや基準を変更したりしないでください。

PyMC 6 は xarray.DataTree を返すため、属性によるグループアクセスではなく idata["posterior"] を使います。LOO やその他の点ごとの尤度を使うワークフローの前に、pm.compute_log_likelihood(idata, model=model) を明示的に呼び出します。ArviZ 1.0 では、削除された WAIC ではなく LOO を使います。区間確率と区間の種類を明示します（デフォルトは 89% ETI です）。スタッキング重みが似ていても、モデルが同等であることを意味しません。 サンプラーの優先設定、ウォームアップの開始点、区間のデフォルト値は実装上の慣例であり、普遍的なベイズワークフローの要件ではありません。タスクに応じて選択してください。

タスクに必要な箇所だけ読む

作業内容	参照先
エンドツーエンドのフィッティング、診断、科学的な検証	ワークフロー
モデルの構築、データコンテナ、次元	モデルとデータ
初期化の失敗、形状エラー、サンプリングの停止、警告	トラブルシューティング
グループ効果、プーリング、パラメーター化	階層モデル
アウトカムのサポート、打ち切り、多変量分布族、ヤコビアン	尤度
アルゴリズム、バックエンド、予算、永続化	サンプリング
pymc-extras の機能選択、互換性、検証	PyMC Extras
マルコフ連鎖、特殊なカウント、極値、ヒストグラム尤度	Extras の分布
カルマン周辺化モデル、構造コンポーネント、予測	Extras の状態空間ワークフロー
事前分布ファクトリー、モデルのパッケージ化、VIP、事後分布から事前分布への転送	Extras のモデルツール
変分近似、ラプラス近似、Pathfinder 近似	近似推論
共分散モデル、有限基底誤差	ガウス過程
時間的依存、微分方程式、予測	時系列
ラベル不変性、離散変数の消去	混合モデル
外部密度、シミュレーター、予測コールバック	カスタム尤度
条件付け、介入、グラフ変換	変換
標本内の評価、新しい入力に対する予測	予測チェック
ツリーアンサンブル、予測状態	BART
基底ペナルティ、分布的予測子	スプライン
シミュレーションデータを使った実験、SBC、数値オラクル、モック	モデルのテスト
高度な数値インターフェイス、拡張インターフェイス	インターフェイスの境界

バージョン固有の API については、利用環境にインストールされたオブジェクトに対して help() または inspect.signature() を使用し、その後、バージョンに合った公式ドキュメントまたはソースを参照してください。