PyMC 采样与推断方法实战指南MCMC、变分推断与诊断调优【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000 scientists worldwide. 165 ready-to-use validated skills plus 100 scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills本指南系统讲解 PyMC6.x中用于后验推断的全部采样算法与推断方法涵盖pm.sample的核心参数、NUTS/Metropolis/Slice/CompoundStep 四种采样器、ESS/R-hat/发散/能量图四类诊断指标以及 ADVI、Full-Rank ADVI、SVGD 等变分推断技术并结合当前仓库的 model_diagnostics.py 诊断脚本与 test_scripts.py 测试用例给出可直接运行的实战方案。读完本文你将掌握如何选择推断方法、诊断采样健康度、修复发散与低有效样本量问题并能熟练使用先验/后验预测采样完成模型验证与新数据预测。MCMC 采样方法主采样函数pm.samplePyMC 面向 MCMC 采样的主接口是pm.sample(draws1000, tune1000, chains4, **kwargs)返回 ArviZ 兼容的 xarrayDataTree对象其中包含后验样本、采样统计量和诊断信息PyMC 6 / ArviZ 1 沿用.posterior、.posterior_predictive等熟悉的分组。关键参数一览参数默认值说明draws1000每条链保留的采样数tune1000调参预热样本数会被丢弃chains4并行链数cores全部可用 CPU使用的 CPU 核心数target_accept0.8步长调参的目标接受率困难后验建议提升到 0.9–0.95random_seed—随机种子保证可复现return_inferencedataTrue在 PyMC 6 / ArviZ 1 下返回 xarrayDataTreeidata_kwargs—数据树创建时的附加参数如{log_likelihood: True}用于模型比较nuts_samplerpymc可选 NUTS 实现pymc、nutpie、blackjax、numpyrobackend—可选计算后端如numba、c、jax典型调用with pm.Model() as model: # ... 定义模型 ... idata pm.sample(draws2000, tune1000, chains4, target_accept0.9)当前仓库的 SKILL.md 明确指出PyMC 6.0.1 需要 Python 3.12底层使用 PyTensor 3 计算图并默认编译到 Numba 等后端。安装可复现环境时建议固定版本uv pip install pymc[nutpie]6.0.1nutpieextra 会启用更快的 Rust/Numba NUTS 实现若改用 NumPyro 或 BlackJAX则需在同一环境中单独固定安装对应的 JAX 兼容依赖。PyMC 6 的 API 注意点应避免使用已废弃的nuts_sampler_kwargs如需向特定采样器传递参数请使用显式的采样器关键字字典例如nuts{target_accept: 0.9}。采样算法PyMC 会根据模型结构自动选择合适的采样器但你也可以手动指定。NUTSNo-U-Turn Sampler不回头采样器NUTS 是连续参数的默认算法属于高效的 Hamiltonian Monte CarloHMC变体自动调谐步长与质量矩阵在调参阶段自适应地探索后验几何结构最适合平滑、连续的后验分布对高相关性或多峰后验可能力不从心。手动指定 NUTSwith model: idata pm.sample(steppm.NUTS(target_accept0.95))何时调整出现发散时提升target_accept至 0.9–0.99使用initadapt_diag加快初始化默认值初始化困难时改用initjitteradapt_diag。Metropolis通用的 Metropolis-Hastings 采样器同时支持连续变量与离散变量对平滑连续后验的效率低于 NUTS适合离散参数或不可微的模型需要手动调参。with model: idata pm.sample(steppm.Metropolis())Slice 采样器用于单变量分布的切片采样无需调参适合困难的单变量后验高维情况下可能较慢。with model: idata pm.sample(steppm.Slice())CompoundStep 组合步用CompoundStep为不同参数分配不同采样器例如连续参数用 NUTS、离散参数用 Metropoliswith model: step1 pm.NUTS([continuous_var1, continuous_var2]) step2 pm.Metropolis([discrete_var]) idata pm.sample(step[step1, step2])采样诊断PyMC 会自动计算诊断指标。在信任结果之前务必先检查这些指标——这正是仓库中先采样后检查是错误做法的核心主张详见 standard_workflow.md 的八步工作流。有效样本量ESS衡量相关样本中携带的独立信息量经验法则每条链 ESS 4004 条链合计约 1600ESS 偏低说明自相关高访问方式az.ess(idata)。R-hatGelman-Rubin 统计量衡量链间收敛情况经验法则所有参数的 R-hat 1.01R-hat 1.01 表示未收敛访问方式az.rhat(idata)。发散Divergences指示 NUTS 难以探索的困难区域经验法则发散数为 0或极少发散提示样本存在偏差修复提高target_accept、重参数化或使用更强的先验访问方式idata.sample_stats.diverging.sum()。能量图Energy Plot可视化 HMC 能量转移az.plot_energy(idata)能量分布之间分离良好表明采样过程健康。源码级验证仓库中的 model_diagnostics.py 把上述规则固化为可执行代码check_diagnostics的默认阈值ess_threshold400、rhat_threshold1.01与本文的经验法则完全一致。它依次执行五类检查R-hat 收敛检查、bulk/tail ESS 检查、发散计数并给出增加 target_accept / 非中心参数化 / 加强先验 / 检查模型设定错误的修复建议、树深度检查默认最大树深度为 10以及能量统计可用性检查。对应测试 test_scripts.py 用手工构造已知答案的后验对象验证了每条诊断分支标准正态独立抽取的健康后验必须全部通过、单条链偏移 3 个标准差必须被标记为收敛失败、提高 ESS 阈值必须触发low_ess告警、全发散的后验必须被逐条计数。测试中还特意覆盖了一个 ArviZ 1.x 的兼容性陷阱az.summary默认对结果做展示格式化、返回字符串必须传round_tonone才能让r_hat 1.01这类数值比较正常工作。处理采样问题发散问题# 提高目标接受率 idata pm.sample(target_accept0.95) # 或者用非中心参数化重参数化 # 差中心化 mu pm.Normal(mu, 0, 1) sigma pm.HalfNormal(sigma, 1) x pm.Normal(x, mu, sigma, observeddata) # 好非中心化 mu pm.Normal(mu, 0, 1) sigma pm.HalfNormal(sigma, 1) x_offset pm.Normal(x_offset, 0, 1, observed(data - mu) / sigma)采样过慢# 简单模型可减少调参步数 idata pm.sample(tune500) # 增加核心数并行化 idata pm.sample(cores8, chains8) # 用变分推断结果做初始化 with model: approx pm.fit() # 运行 ADVI initvals approx.sample(return_inferencedataFalse)[0] idata pm.sample(initvalsinitvals)自相关过高# 增加采样数 idata pm.sample(draws5000) # 重参数化以降低相关性 # 回归模型可考虑使用 QR 分解变分推断对于大模型或快速探索场景变分推断比 MCMC 快得多。ADVI自动微分变分推断pm.fit(n10000, methodadvi, **kwargs)用一个更简单的分布通常是平均场高斯分布近似后验。关键参数n迭代次数默认 10000methodVI 算法advi、fullrank_advi、svgdrandom_seed随机种子。返回值Approximation 对象用于采样与分析。with model: approx pm.fit(n50000) # 从近似分布抽取样本 idata approx.sample(1000) # 或作为 MCMC 初始化值 initvals approx.sample(return_inferencedataFalse)[0]权衡优点远快于 MCMC可扩展到大数据缺点是近似推断可能遗漏后验结构且倾向于低估不确定性。Full-Rank ADVI捕获参数间的相关性with model: approx pm.fit(methodfullrank_advi)比平均场更准确但更慢。SVGDStein 变分梯度下降非参数化的变分推断with model: approx pm.fit(methodsvgd, n20000)能更好地捕获多峰性但计算开销更大。先验与后验预测采样先验预测采样在观察数据之前从先验分布中采样验证先验是否合理pm.sample_prior_predictive(draws500, **kwargs)用途验证先验是否合理拟合前检查隐含预测确保模型能生成合理的数据。with model: prior_pred pm.sample_prior_predictive(draws1000) # 可视化先验预测 az.plot_ppc(prior_pred, groupprior)后验预测采样拟合之后从后验预测分布中采样pm.sample_posterior_predictive(trace, **kwargs)用途通过后验预测检查进行模型验证为新数据生成预测评估拟合优度。with model: # 采样之后 idata pm.sample() # 追加后验预测样本 pm.sample_posterior_predictive(idata, extend_inferencedataTrue) # 后验预测检查 az.plot_ppc(idata)仓库中 hierarchical_model_template.py 给出了先验/后验预测检查的完整落地形态先以pm.sample_prior_predictive(draws500, random_seed42)生成先验预测并保存检查图再在拟合后用az.plot_ppc(idata, num_pp_samples100)对比观测数据与预测分布确认模型未出现系统性偏差。新数据预测更新数据后采样预测分布with model: # 原始模型拟合 idata pm.sample() # 更新为新的预测变量值 pm.set_data({X: X_new}, coords{obs_id: np.arange(len(X_new))}) # 采样预测 post_pred_new pm.sample_posterior_predictive( idata, var_names[y_pred], predictionsTrue, )在 PyMC 6 中var_names只控制输出中包含哪些变量并不会强制重新采样 trace 变量。若要显式重新生成 trace 变量使用sample_vars当修改数据导致变量被标记为易变volatile时用freeze_vars复用已有 trace 变量。最大后验MAP估计用pm.find_MAP(startNone, methodL-BFGS-B, **kwargs)求后验众数点估计。适用场景快速点估计作为 MCMC 的初始化不需要完整后验时。with model: map_estimate pm.find_MAP() print(map_estimate)局限无法量化不确定性在多峰后验中可能陷入局部最优对先验设定敏感。推断建议标准工作流先用 ADVI 快速探索approx pm.fit(n20000)再跑 MCMC 做完整推断idata pm.sample(draws2000, tune1000)检查诊断az.summary(idata, var_names[~mu_log__]) # 排除变换变量采样后验预测pm.sample_posterior_predictive(idata, extend_inferencedataTrue)这与仓库 standard_workflow.md 中先验预测检查 → 拟合 → 诊断 → 后验预测检查的八步工作流相互印证。完整的层次模型实现可参照 hierarchical_model_template.py其中对分层模型刻意使用tune2000与target_accept0.95并逐项检查 R-hat、ESS 与发散数。推断方法选择场景推荐方法中小模型需要完整不确定性带 NUTS 的 MCMC大模型、初期探索ADVI离散参数Metropolis 或边际化出现发散的分层模型非中心参数化 NUTS超大数据Minibatch ADVI快速点估计MAP 或 ADVI重参数化技巧分层模型的非中心参数化# 中心化可能导致发散 mu pm.Normal(mu, 0, 10) sigma pm.HalfNormal(sigma, 1) theta pm.Normal(theta, mu, sigma, shapen_groups) # 非中心化采样更好 mu pm.Normal(mu, 0, 10) sigma pm.HalfNormal(sigma, 1) theta_offset pm.Normal(theta_offset, 0, 1, shapen_groups) theta pm.Deterministic(theta, mu sigma * theta_offset)这一技巧在仓库中得到了工程化落实hierarchical_model_template.py 的组级参数alpha、beta全部采用offsetDeterministic的非中心化写法并在注释中说明非中心化参数化提升采样效率。相关预测变量的 QR 分解import numpy as np # QR 分解 Q, R np.linalg.qr(X) with pm.Model(): # 不相关的系数 beta_tilde pm.Normal(beta_tilde, 0, 1, shapep) # 变换回原始尺度 beta pm.Deterministic(beta, pm.math.solve(R, beta_tilde)) mu pm.math.dot(Q, beta_tilde) sigma pm.HalfNormal(sigma, 1) y pm.Normal(y, mu, sigma, observedy_obs)高级采样序贯蒙特卡洛SMC适用于复杂后验或模型证据估计with model: idata pm.sample_smc(draws2000, chains4)对多峰后验或 NUTS 难以处理的模型效果良好。自定义初始化提供起始值initvals {mu: 0, sigma: 1} with model: idata pm.sample(initvalsinitvals)或使用 MAP 估计with model: initvals pm.find_MAP() idata pm.sample(initvalsinitvals)诊断报告自动化将诊断固化为可复用的自动化脚本是当前仓库相对本文档最有价值的延伸。引入 model_diagnostics.py 后一次调用即可获得完整诊断from scripts.model_diagnostics import check_diagnostics, create_diagnostic_report # 快速检查返回结果字典含 has_issues 与 issues 列表 results check_diagnostics(idata, var_names[alpha, beta, sigma]) # 完整报告轨迹图、秩图、自相关图、能量图、局部 ESS 图 summary CSV create_diagnostic_report(idata, var_names[alpha, beta, sigma], output_dirdiagnostics/)该脚本基于 test_scripts.py 中的 20 个测试用例验证了正确性健康的合成后验必须零告警链间不一致、低 ESS、发散、触顶树深度等异常均会被精确标记报告产物固定为trace_plots.png、rank_plots.png、autocorr_plots.png、energy_plot.png、ess_local.png与summary_statistics.csv。同时要注意两个 ArviZ 1.x 兼容性陷阱绘图函数返回PlotCollection而非写入 pyplot 当前画布必须经collection.savefig()保存否则会得到空白图az.summary需round_tonone以保持数值列类型。全文要点回顾采样器选择连续参数优先 NUTS默认离散参数用 Metropolis单变量困难后验可用 Slice多参数混合场景用 CompoundStep诊断门槛R-hat 1.01、ESS 400/链、发散数为 0、能量分布分离良好四类指标缺一不可问题修复路径发散 → 提升target_accept/ 非中心参数化 / 加强先验低 ESS → 增加draws/ 重参数化 / QR 分解未收敛 → 加长链 / 检查多峰 / ADVI 初始化推断方法权衡MCMC 保真但慢ADVI 快但近似MAP 只有点估计SMC 攻坚多峰与模型证据预测闭环先验预测采样验证先验后验预测采样验证拟合pm.set_datapredictionsTrue完成新数据外推工程落地用仓库自带的 model_diagnostics.py 把诊断规则固化进流水线参考 hierarchical_model_template.py 搭建完整分析流程。【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000 scientists worldwide. 165 ready-to-use validated skills plus 100 scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
PyMC 采样与推断方法实战指南MCMC、变分推断与诊断调优【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000 scientists worldwide. 165 ready-to-use validated skills plus 100 scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills本指南系统讲解 PyMC6.x中用于后验推断的全部采样算法与推断方法涵盖pm.sample的核心参数、NUTS/Metropolis/Slice/CompoundStep 四种采样器、ESS/R-hat/发散/能量图四类诊断指标以及 ADVI、Full-Rank ADVI、SVGD 等变分推断技术并结合当前仓库的 model_diagnostics.py 诊断脚本与 test_scripts.py 测试用例给出可直接运行的实战方案。读完本文你将掌握如何选择推断方法、诊断采样健康度、修复发散与低有效样本量问题并能熟练使用先验/后验预测采样完成模型验证与新数据预测。MCMC 采样方法主采样函数pm.samplePyMC 面向 MCMC 采样的主接口是pm.sample(draws1000, tune1000, chains4, **kwargs)返回 ArviZ 兼容的 xarrayDataTree对象其中包含后验样本、采样统计量和诊断信息PyMC 6 / ArviZ 1 沿用.posterior、.posterior_predictive等熟悉的分组。关键参数一览参数默认值说明draws1000每条链保留的采样数tune1000调参预热样本数会被丢弃chains4并行链数cores全部可用 CPU使用的 CPU 核心数target_accept0.8步长调参的目标接受率困难后验建议提升到 0.9–0.95random_seed—随机种子保证可复现return_inferencedataTrue在 PyMC 6 / ArviZ 1 下返回 xarrayDataTreeidata_kwargs—数据树创建时的附加参数如{log_likelihood: True}用于模型比较nuts_samplerpymc可选 NUTS 实现pymc、nutpie、blackjax、numpyrobackend—可选计算后端如numba、c、jax典型调用with pm.Model() as model: # ... 定义模型 ... idata pm.sample(draws2000, tune1000, chains4, target_accept0.9)当前仓库的 SKILL.md 明确指出PyMC 6.0.1 需要 Python 3.12底层使用 PyTensor 3 计算图并默认编译到 Numba 等后端。安装可复现环境时建议固定版本uv pip install pymc[nutpie]6.0.1nutpieextra 会启用更快的 Rust/Numba NUTS 实现若改用 NumPyro 或 BlackJAX则需在同一环境中单独固定安装对应的 JAX 兼容依赖。PyMC 6 的 API 注意点应避免使用已废弃的nuts_sampler_kwargs如需向特定采样器传递参数请使用显式的采样器关键字字典例如nuts{target_accept: 0.9}。采样算法PyMC 会根据模型结构自动选择合适的采样器但你也可以手动指定。NUTSNo-U-Turn Sampler不回头采样器NUTS 是连续参数的默认算法属于高效的 Hamiltonian Monte CarloHMC变体自动调谐步长与质量矩阵在调参阶段自适应地探索后验几何结构最适合平滑、连续的后验分布对高相关性或多峰后验可能力不从心。手动指定 NUTSwith model: idata pm.sample(steppm.NUTS(target_accept0.95))何时调整出现发散时提升target_accept至 0.9–0.99使用initadapt_diag加快初始化默认值初始化困难时改用initjitteradapt_diag。Metropolis通用的 Metropolis-Hastings 采样器同时支持连续变量与离散变量对平滑连续后验的效率低于 NUTS适合离散参数或不可微的模型需要手动调参。with model: idata pm.sample(steppm.Metropolis())Slice 采样器用于单变量分布的切片采样无需调参适合困难的单变量后验高维情况下可能较慢。with model: idata pm.sample(steppm.Slice())CompoundStep 组合步用CompoundStep为不同参数分配不同采样器例如连续参数用 NUTS、离散参数用 Metropoliswith model: step1 pm.NUTS([continuous_var1, continuous_var2]) step2 pm.Metropolis([discrete_var]) idata pm.sample(step[step1, step2])采样诊断PyMC 会自动计算诊断指标。在信任结果之前务必先检查这些指标——这正是仓库中先采样后检查是错误做法的核心主张详见 standard_workflow.md 的八步工作流。有效样本量ESS衡量相关样本中携带的独立信息量经验法则每条链 ESS 4004 条链合计约 1600ESS 偏低说明自相关高访问方式az.ess(idata)。R-hatGelman-Rubin 统计量衡量链间收敛情况经验法则所有参数的 R-hat 1.01R-hat 1.01 表示未收敛访问方式az.rhat(idata)。发散Divergences指示 NUTS 难以探索的困难区域经验法则发散数为 0或极少发散提示样本存在偏差修复提高target_accept、重参数化或使用更强的先验访问方式idata.sample_stats.diverging.sum()。能量图Energy Plot可视化 HMC 能量转移az.plot_energy(idata)能量分布之间分离良好表明采样过程健康。源码级验证仓库中的 model_diagnostics.py 把上述规则固化为可执行代码check_diagnostics的默认阈值ess_threshold400、rhat_threshold1.01与本文的经验法则完全一致。它依次执行五类检查R-hat 收敛检查、bulk/tail ESS 检查、发散计数并给出增加 target_accept / 非中心参数化 / 加强先验 / 检查模型设定错误的修复建议、树深度检查默认最大树深度为 10以及能量统计可用性检查。对应测试 test_scripts.py 用手工构造已知答案的后验对象验证了每条诊断分支标准正态独立抽取的健康后验必须全部通过、单条链偏移 3 个标准差必须被标记为收敛失败、提高 ESS 阈值必须触发low_ess告警、全发散的后验必须被逐条计数。测试中还特意覆盖了一个 ArviZ 1.x 的兼容性陷阱az.summary默认对结果做展示格式化、返回字符串必须传round_tonone才能让r_hat 1.01这类数值比较正常工作。处理采样问题发散问题# 提高目标接受率 idata pm.sample(target_accept0.95) # 或者用非中心参数化重参数化 # 差中心化 mu pm.Normal(mu, 0, 1) sigma pm.HalfNormal(sigma, 1) x pm.Normal(x, mu, sigma, observeddata) # 好非中心化 mu pm.Normal(mu, 0, 1) sigma pm.HalfNormal(sigma, 1) x_offset pm.Normal(x_offset, 0, 1, observed(data - mu) / sigma)采样过慢# 简单模型可减少调参步数 idata pm.sample(tune500) # 增加核心数并行化 idata pm.sample(cores8, chains8) # 用变分推断结果做初始化 with model: approx pm.fit() # 运行 ADVI initvals approx.sample(return_inferencedataFalse)[0] idata pm.sample(initvalsinitvals)自相关过高# 增加采样数 idata pm.sample(draws5000) # 重参数化以降低相关性 # 回归模型可考虑使用 QR 分解变分推断对于大模型或快速探索场景变分推断比 MCMC 快得多。ADVI自动微分变分推断pm.fit(n10000, methodadvi, **kwargs)用一个更简单的分布通常是平均场高斯分布近似后验。关键参数n迭代次数默认 10000methodVI 算法advi、fullrank_advi、svgdrandom_seed随机种子。返回值Approximation 对象用于采样与分析。with model: approx pm.fit(n50000) # 从近似分布抽取样本 idata approx.sample(1000) # 或作为 MCMC 初始化值 initvals approx.sample(return_inferencedataFalse)[0]权衡优点远快于 MCMC可扩展到大数据缺点是近似推断可能遗漏后验结构且倾向于低估不确定性。Full-Rank ADVI捕获参数间的相关性with model: approx pm.fit(methodfullrank_advi)比平均场更准确但更慢。SVGDStein 变分梯度下降非参数化的变分推断with model: approx pm.fit(methodsvgd, n20000)能更好地捕获多峰性但计算开销更大。先验与后验预测采样先验预测采样在观察数据之前从先验分布中采样验证先验是否合理pm.sample_prior_predictive(draws500, **kwargs)用途验证先验是否合理拟合前检查隐含预测确保模型能生成合理的数据。with model: prior_pred pm.sample_prior_predictive(draws1000) # 可视化先验预测 az.plot_ppc(prior_pred, groupprior)后验预测采样拟合之后从后验预测分布中采样pm.sample_posterior_predictive(trace, **kwargs)用途通过后验预测检查进行模型验证为新数据生成预测评估拟合优度。with model: # 采样之后 idata pm.sample() # 追加后验预测样本 pm.sample_posterior_predictive(idata, extend_inferencedataTrue) # 后验预测检查 az.plot_ppc(idata)仓库中 hierarchical_model_template.py 给出了先验/后验预测检查的完整落地形态先以pm.sample_prior_predictive(draws500, random_seed42)生成先验预测并保存检查图再在拟合后用az.plot_ppc(idata, num_pp_samples100)对比观测数据与预测分布确认模型未出现系统性偏差。新数据预测更新数据后采样预测分布with model: # 原始模型拟合 idata pm.sample() # 更新为新的预测变量值 pm.set_data({X: X_new}, coords{obs_id: np.arange(len(X_new))}) # 采样预测 post_pred_new pm.sample_posterior_predictive( idata, var_names[y_pred], predictionsTrue, )在 PyMC 6 中var_names只控制输出中包含哪些变量并不会强制重新采样 trace 变量。若要显式重新生成 trace 变量使用sample_vars当修改数据导致变量被标记为易变volatile时用freeze_vars复用已有 trace 变量。最大后验MAP估计用pm.find_MAP(startNone, methodL-BFGS-B, **kwargs)求后验众数点估计。适用场景快速点估计作为 MCMC 的初始化不需要完整后验时。with model: map_estimate pm.find_MAP() print(map_estimate)局限无法量化不确定性在多峰后验中可能陷入局部最优对先验设定敏感。推断建议标准工作流先用 ADVI 快速探索approx pm.fit(n20000)再跑 MCMC 做完整推断idata pm.sample(draws2000, tune1000)检查诊断az.summary(idata, var_names[~mu_log__]) # 排除变换变量采样后验预测pm.sample_posterior_predictive(idata, extend_inferencedataTrue)这与仓库 standard_workflow.md 中先验预测检查 → 拟合 → 诊断 → 后验预测检查的八步工作流相互印证。完整的层次模型实现可参照 hierarchical_model_template.py其中对分层模型刻意使用tune2000与target_accept0.95并逐项检查 R-hat、ESS 与发散数。推断方法选择场景推荐方法中小模型需要完整不确定性带 NUTS 的 MCMC大模型、初期探索ADVI离散参数Metropolis 或边际化出现发散的分层模型非中心参数化 NUTS超大数据Minibatch ADVI快速点估计MAP 或 ADVI重参数化技巧分层模型的非中心参数化# 中心化可能导致发散 mu pm.Normal(mu, 0, 10) sigma pm.HalfNormal(sigma, 1) theta pm.Normal(theta, mu, sigma, shapen_groups) # 非中心化采样更好 mu pm.Normal(mu, 0, 10) sigma pm.HalfNormal(sigma, 1) theta_offset pm.Normal(theta_offset, 0, 1, shapen_groups) theta pm.Deterministic(theta, mu sigma * theta_offset)这一技巧在仓库中得到了工程化落实hierarchical_model_template.py 的组级参数alpha、beta全部采用offsetDeterministic的非中心化写法并在注释中说明非中心化参数化提升采样效率。相关预测变量的 QR 分解import numpy as np # QR 分解 Q, R np.linalg.qr(X) with pm.Model(): # 不相关的系数 beta_tilde pm.Normal(beta_tilde, 0, 1, shapep) # 变换回原始尺度 beta pm.Deterministic(beta, pm.math.solve(R, beta_tilde)) mu pm.math.dot(Q, beta_tilde) sigma pm.HalfNormal(sigma, 1) y pm.Normal(y, mu, sigma, observedy_obs)高级采样序贯蒙特卡洛SMC适用于复杂后验或模型证据估计with model: idata pm.sample_smc(draws2000, chains4)对多峰后验或 NUTS 难以处理的模型效果良好。自定义初始化提供起始值initvals {mu: 0, sigma: 1} with model: idata pm.sample(initvalsinitvals)或使用 MAP 估计with model: initvals pm.find_MAP() idata pm.sample(initvalsinitvals)诊断报告自动化将诊断固化为可复用的自动化脚本是当前仓库相对本文档最有价值的延伸。引入 model_diagnostics.py 后一次调用即可获得完整诊断from scripts.model_diagnostics import check_diagnostics, create_diagnostic_report # 快速检查返回结果字典含 has_issues 与 issues 列表 results check_diagnostics(idata, var_names[alpha, beta, sigma]) # 完整报告轨迹图、秩图、自相关图、能量图、局部 ESS 图 summary CSV create_diagnostic_report(idata, var_names[alpha, beta, sigma], output_dirdiagnostics/)该脚本基于 test_scripts.py 中的 20 个测试用例验证了正确性健康的合成后验必须零告警链间不一致、低 ESS、发散、触顶树深度等异常均会被精确标记报告产物固定为trace_plots.png、rank_plots.png、autocorr_plots.png、energy_plot.png、ess_local.png与summary_statistics.csv。同时要注意两个 ArviZ 1.x 兼容性陷阱绘图函数返回PlotCollection而非写入 pyplot 当前画布必须经collection.savefig()保存否则会得到空白图az.summary需round_tonone以保持数值列类型。全文要点回顾采样器选择连续参数优先 NUTS默认离散参数用 Metropolis单变量困难后验可用 Slice多参数混合场景用 CompoundStep诊断门槛R-hat 1.01、ESS 400/链、发散数为 0、能量分布分离良好四类指标缺一不可问题修复路径发散 → 提升target_accept/ 非中心参数化 / 加强先验低 ESS → 增加draws/ 重参数化 / QR 分解未收敛 → 加长链 / 检查多峰 / ADVI 初始化推断方法权衡MCMC 保真但慢ADVI 快但近似MAP 只有点估计SMC 攻坚多峰与模型证据预测闭环先验预测采样验证先验后验预测采样验证拟合pm.set_datapredictionsTrue完成新数据外推工程落地用仓库自带的 model_diagnostics.py 把诊断规则固化进流水线参考 hierarchical_model_template.py 搭建完整分析流程。【免费下载链接】scientific-agent-skillsTurn any AI agent into an AI Scientist. The #1 Agent Skills library for science, used by 190,000 scientists worldwide. 165 ready-to-use validated skills plus 100 scientific databases covering biology, chemistry, medicine, and drug discovery. Compatible with Cursor, Claude Code, Codex, Pi, Antigravity, and the open Agent Skills standard.项目地址: https://gitcode.com/GitHub_Trending/cl/scientific-agent-skills创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
