如何使用pymc参数化概率图模型？

如何使用 pymc 参数化概率图形模型？

假设我有一个带有两个节点的 PGMX and Y。 可以说X->Y是图表。

And X有两个值{0,1}, and Y也有两个值{0,1}.

我想使用 pymc 来学习分布的参数并填充 用于运行推理的图形模型。

我能想到的方法如下：

X_p = pm.Uniform("X_p", 0, 1)
X = pm.Bernoulli("X", X_p, values=X_Vals, observed=True)
Y0_p = pm.Uniform("Y0_p", 0, 1)
Y0 = pm.Bernoulli("Y0", Y0_p, values=Y0Vals, observed=True)
Y1_p = pm.Uniform("Y1_p", 0, 1)
Y1 = pm.Bernoulli("Y1", Y1_p, values=Y1Vals, observed=True)

Here Y0Vals的值是Y对应于X值 = 0 和Y1Vals的值是Y对应于X值 = 1。

计划是从中抽取 MCMC 样本，并使用以下方法：Y0_p and Y1_p填充离散贝叶斯网络的概率...所以概率表 为了P(X) = (X_p,1-X_p)而P(Y/X):

  Y  0       1
X 
0   Y0_p   1-Y0_p
1   Y1_p   1-Y1_p

问题：

1. 这是这样做的正确方法吗？
2. 这不是很笨拙吗，特别是如果我有的话X有数百个离散值？ 或者如果一个变量有两个父项X and Y每个有 10 个离散值？
3. 我能做点更好的事吗？
4. 有没有什么好书详细介绍我们如何进行这种互连？