请求获取生成《Bayesian analyses of an exponential Poisson...》论文配图的代码建议

核心复现步骤 #

• 拆解论文图形元素：先明确论文中图的具体类型——是参数的边际后验密度图、MCMC轨迹图、后验预测检查（PPC）图，还是不同模型的拟合效果对比图？你当前完成的基础分布拟合图，和论文图的差异点（比如是否包含零增强模型对比、后验区间标注）要先梳理清楚。
• 先完成模型的贝叶斯实现：绘图的前提是正确复现论文中的指数泊松（EP）及零增强模型。以PyMC为例，先搭建核心模型结构：

  import pymc as pm
  import numpy as np
  
  # 假设y是你的观测数据
  with pm.Model() as ep_model:
      # 定义超参数先验
      theta = pm.Gamma("theta", alpha=1, beta=1)
      # 指数分布的均值参数
      lambda_ = pm.Exponential("lambda_", lam=theta, shape=len(y))
      # 泊松似然
      y_obs = pm.Poisson("y_obs", mu=lambda_, observed=y)
      # 采样
      idata = pm.sample(2000, tune=1000, cores=2)
  

• 提取绘图所需数据：模型拟合完成后，从InferenceData对象中提取参数后验样本、后验预测样本，这是生成目标图的核心数据源。

针对性绘图代码示例 #

1. 参数后验密度/轨迹图 #

如果论文包含参数的后验分布可视化，用ArviZ快速生成：

import arviz as az
import matplotlib.pyplot as plt

az.plot_trace(idata, var_names=["theta", "lambda_"], figsize=(14, 8))
plt.tight_layout()
plt.show()

2. 后验预测拟合对比图 #

若论文展示模型对观测数据的拟合效果，用PPC图对比观测数据与后验预测数据的分布：

# 生成后验预测样本
with ep_model:
    idata.extend(pm.sample_posterior_predictive(idata))

az.plot_ppc(idata, figsize=(10, 6))
plt.show()

3. 零增强模型对比图 #

如果论文对比了EP与零增强EP模型的差异，可提取两种模型的后验预测样本绘制密度对比图：

import seaborn as sns

# 假设za_ep_pred是零增强模型的后验预测样本
sns.kdeplot(idata.posterior_predictive["y_obs"].values.flatten(), 
            label="Exponential Poisson", fill=True)
sns.kdeplot(za_ep_pred.flatten(), 
            label="Zero-Augmented Exponential Poisson", fill=True)
plt.legend()
plt.xlabel("Observed Value")
plt.ylabel("Density")
plt.show()

额外实用建议 #

• 直接联系论文作者：多数作者会在个人主页或GitHub公开代码，发邮件说明你的学习需求，大概率能获得原始代码或指导。
• GitHub搜索复现项目：用论文标题关键词（比如"Bayesian analyses exponential Poisson"）搜索，可能找到其他研究者的复现代码。
• 参考同类模型教程：如果找不到论文的精准代码，找指数泊松、零膨胀模型的贝叶斯可视化教程，替换为论文中的模型结构即可。

内容的提问来源于stack exchange，提问作者A.N