Диаграммы влияния / Модели принятия решений в Stan и PyMC3

Question

Можно ли писать модели принятия решений в Stan или PyMC3?Под этим я подразумеваю: мы определяем не только распределение случайных переменных, но также определение переменных решения и полезности и определяем решения, максимизирующие ожидаемую полезность.

Насколько я понимаю, Стэн - это скорее общий оптимизаторчем PyMC3, так что это предполагает, что модели решений будут более непосредственно реализованы в нем, но я хотел бы услышать, что люди скажут.

Редактировать: Хотя можно перечислить все решения и вычислить их соответствующую ожидаемую полезностьЯ задаюсь вопросом о более эффективных методах, поскольку количество решений может быть слишком большим (например, сколько предметов можно купить из списка с тысячами товаров).Алгоритмы диаграмм влияния используют факторизации в модели для определения независимости, которая позволяет вычислять решения только по меньшему набору соответствующих случайных величин.Интересно, Стэн или PyMC3 делают такие вещи?

Answer 1

Основные шаги для байесовской теории принятия решений:

1. Перечислите конечный набор решений, которые могут быть приняты
2. Укажите функцию полезности решения и, возможно, другие вещи
3. Нарисуйте из апостериорного распределения всех неизвестных с учетом известных данных
4. Оценить функцию полезности для каждого возможного решения и каждого последующего розыгрыша
5. Примите решение с наивысшей ожидаемой полезностью, усредняя по задним тиражам.

Вы можете выполнить эти пять шагов с любым программным обеспечением, включая Stan и PyMC3, которое производит (действительные) отрисовки из апостериорного распределения. В Stan функция полезности должна оцениваться в блоке generated quantities.