PyMC5贝叶斯回归样本外预测适配问题求助

修改模型代码，引入 pm.MutableData #

核心是将静态特征数据替换为pm.MutableData容器，这样后续可以动态替换为新的样本外数据：

import pandas as pd
import pymc as pm

# 假设你的特征列名是['f1', 'f2']，target是目标列名
features = ['f1', 'f2']
target = df['target'].values
basic_model = pm.Model()

with basic_model:
    # 用MutableData包裹每个特征，方便后续替换数据
    feature_vars = {}
    for f in features:
        feature_vars[f] = pm.MutableData(f'feature_{f}', df[f].values)
    
    response_mean = []
    for f in features:
        ff = feature_vars[f]
        beta = pm.HalfNormal(f'coeff_{f}', sigma=2)
        decay = pm.Beta(f'decay_{f}', alpha=3, beta=3)
        # 修复原代码语法错误：补全括号
        contribution = pm.Deterministic(f'contribution_{f}', ff * decay * beta)
        response_mean.append(contribution)
    
    sigma = pm.HalfNormal('sigma', sigma=1)
    likelihood = pm.Normal("likelihood", mu=sum(response_mean), sigma=sigma, observed=target)

# 训练模型（和原代码逻辑一致）
with basic_model:
    idata = pm.sample(return_inferencedata=True, tune=1000)

执行样本外预测 #

准备好新的特征数据后，通过pm.set_data替换模型中的特征值，再生成预测分布：

# 示例：构造新的样本外数据
new_data = pd.DataFrame({
    'f1': [1.2, 3.4],  # 新的f1特征值
    'f2': [5.6, 7.8]   # 新的f2特征值
})

with basic_model:
    # 更新MutableData为新数据
    pm.set_data({f'feature_{f}': new_data[f].values for f in features})
    # 基于训练好的参数生成后验预测样本
    idata_pred = pm.sample_posterior_predictive(idata, extend_inferencedata=True)

# 查看预测结果：计算每个新样本的平均预测值
print(idata_pred.posterior_predictive['likelihood'].mean(dim=['chain', 'draw']))

关键说明 #

• pm.MutableData是PyMC5中实现动态数据替换的核心容器，替代了PyMC3的pm.Data功能
• 替换数据时，新特征的维度需与训练时保持一致（支持单样本或多样本预测）
• sample_posterior_predictive生成的是完整的预测分布，而非单一预测值，能反映预测的不确定性

内容的提问来源于stack exchange，提问作者cervus_pc