我碰到了这段代码:
data = np.repeat((0, 1), (3, 6))
with pm.Model() as normal_approximation:
p = pm.Uniform('p', 0, 1)
w = pm.Binomial('w', n=len(data), p=p, observed=data.sum())
mean_q = pm.find_MAP() # MAP: maximum a posteriori probability
std_q = ((1/pm.find_hessian(mean_q, vars=[p]))**0.5)[0]
mean_q['p'], std_q
我试着搜索谷歌一般并查看文档中pm.Binomial的参数observed是什么，find_hessian的函数是什么(例如vars关键字的含义是什么)-但我看不到任何解释。
谁能不仅给我解释这些问题，而且给我介绍正确的来源，让我自己回答这些问题?
我一般建议通读教程，特别是"API快速入门";和"入门";的人。它们将涵盖PyMC3如何构建随机变量作为计算图的图形模型的基础知识，包括observedrv是什么(即，您已经观察到的，因此可以从中评估可能性的数据)。除非一个人已经有很强的贝叶斯推理背景，否则通过实例学习可能是最有效的途径。
否则，保持API在手，并使用Python的help函数。
例如，您可以使用后者获得find_hessian的签名:
> help(pm.find_hessian)
find_hessian(point, vars=None, model=None)
Returns Hessian of logp at the point passed.
Parameters
----------
model: Model (optional if in `with` context)
point: dict
vars: list
Variables for which Hessian is to be calculated.
这种特殊的方法更像是一种内部实用程序(例如，它被NUTS采样器使用)，但是那些具有数学统计或物理背景的人(例如编写原始代码的人)会将其识别为二阶偏矩阵，并理解其与协方差矩阵的关系。在特定的代码中，它正在计算MAP位置(mean_q)的p变量，然后将其转换为标准差。
https://docs.pymc.io/en/stable/api/distributions/discrete.html#pymc3.distributions.discrete。Binomial描述了n和p参数，但没有列出observed。在深入研究源代码之后，我发现Binomial继承自一个名为Distribution的类，该类声明了observed参数:
observed:可选
在模型中注册随机变量时要传递的观测数据。
参见
Model.register_rv