PyMC3采样器遇最大树深度错误，求解决方案

一、修复模型核心结构问题 #

1. 修正感知误差的定义 #

当前代码中err是单个正态变量，但每个交易应拥有独立的感知误差，否则所有交易共享同一误差会导致后验分布相关性过高，采样难度陡增。修改为：

err = pm.Normal("err", mu=0, sigma=10, shape=num_items)  # sigma与真实值匹配，shape对应交易数量

2. 替换不合理的观测似然 #

你的观测数据weight是离散分类值（-1, -0.5, 0, 0.5, 1），用正态似然适配离散数据会引发梯度问题，建议改用有序逻辑回归模型：

# 定义对应weight分界的阈值，可根据生成逻辑调整初始值
cutpoints = pm.Normal("cutpoints", mu=[-75, -50, -25, 25, 50, 75], sigma=10, shape=6)
obs = pm.OrderedLogistic('obs', cutpoints=cutpoints, eta=comparison, observed=weight_vector)

二、收紧先验分布 #

当前W和BATNA的先验方差（sigma=50）过大，导致参数探索空间过宽，容易触发树深度限制。缩小先验范围：

W = pm.Normal("W", mu=0, sigma=10, shape=num_params)
BATNA = pm.Normal("BATNA", mu=0, sigma=10)

三、调整采样器参数 #

如果上述模型修改后仍有问题，直接调整采样参数突破限制：

with model:
    trace = pm.sample(2000, tune=4000, cores=6, max_treedepth=15, target_accept=0.9)

• max_treedepth=15：提升默认树深度（默认10）
• target_accept=0.9：提高目标接受率，减少采样时的拒绝次数

四、修正数据生成的低级bug #

1. 特征赋值错误 #

当前代码中delivery和price都被赋值为quality的值，导致特征完全相关，模型无法识别独立权重：

for i in range(nr_deals):
    rnd_deal = generate_random_deal()
    qualities.append(rnd_deal[0])
    deliveries.append(rnd_deal[1])  # 原代码为rnd_deal[0]，修正为索引1
    prices.append(rnd_deal[2])     # 原代码为rnd_deal[0]，修正为索引2
    B_values.append(noisy_B_value(*rnd_deal))

2. 权重计算逻辑错误 #

原代码中elif d1_val < 25:应为差值比较，否则逻辑完全偏离预期：

if d1_val - d2_val < -100:
    weight = 1
elif d1_val - d2_val < -25:
    weight = 0.5
elif d1_val - d2_val < 25:  # 原代码为d1_val <25，修正为差值比较
    weight = 0
elif d1_val - d2_val < 100:
    weight = -0.5
else:
    weight = -1

内容的提问来源于stack exchange，提问作者kakben