4、概率编程与贝叶斯建模：从文本消息到A/B测试

概率编程与贝叶斯建模：从文本消息到A/B测试

1. 确定性包装器与 PyMC 基础

在概率编程中，确定性变量是一个重要概念。以文本消息示例来说，我们定义了一个关于 $\lambda$ 的模型：
$\lambda = \begin{cases}
\lambda_1 & \text{if } t < \tau \
\lambda_2 & \text{if } t \geq \tau
\end{cases}$

在 PyMC 代码中，实现如下：

import numpy as np
n_data_points = 5
# in Chapter 1 we had ˜70 data points
@pm.deterministic
def lambda_(tau=tau, lambda_1=lambda_1, lambda_2=lambda_2):
    out = np.zeros(n_data_points)
    out[:tau] = lambda_1
    # lambda before tau is lambda 1
    out[tau:] = lambda_2
    # lambda after tau is lambda 2
    return out

显然，如果 $\tau$、$\lambda_1$ 和 $\lambda_2$ 已知，那么 $\lambda$ 就完全确定了，所以它是一个确定性变量。

在 @pm.deterministic 装饰器内部，传