لقد استخدمت الأدوات الثلاث في أبحاث حقيقية، وغالباً دون تفكير كبير في سبب اختيار إحداها على الأخرى. كانت emcee أول أداة أستخدمها، وظهرت NUTS عندما نقلت دوال الإمكان الخاصة بي إلى JAX، أما dynesty فكانت تأتي كلما طلب أحد عامل بايز. وفي النهاية أدركت أنني لا أستطيع أن أقول أي واحدة سأثق بها في مسألة لا أفهمها مسبقاً.
تقيس معظم المقارنات بين أدوات أخذ العينات السرعة، لكن السرعة لا تعني الكثير إذا كانت العينات خاطئة، ولا يمكنك التحقق من الخطأ إلا إذا كنت تعرف الإجابة الصحيحة. لذلك اخترت ثلاث مسائل صغيرة بما يكفي لحلها بدقة، إما على شبكة كثيفة أو تحليلياً، وقيّمت كل أداة مقارنةً بالحقيقة لا مقارنةً بالأدوات الأخرى.
كانت NUTS الأسرع، بمعدل يتراوح بين ضعفين وأربعة أضعاف في المسائل السلسة، لكنها فشلت تماماً في المسألة متعددة القمم، وأوضحت تشخيصاتها ذلك بجلاء. كانت emcee جيدة في المسائل السهلة، لكنها أعطت إجابات خاطئة بثقة تامة في المسألة متعددة القمم، دون أي تحذير في مخرجاتها الافتراضية. كانت dynesty الأداة الوحيدة التي وجدت كل القمم وأنتجت دليلاً صحيحاً، رغم أن أشرطة خطأ الدليل لديها كانت متفائلة أكثر من اللازم.
تصاعدت صعوبة مسائل الاختبار الثلاث تدريجياً. كانت الأولى مرجعاً للمقارنة: تركيب Ωm وH0 في نموذج ΛCDM المسطح على 40 مستعراً أعظم من النوع Ia مُحاكى، مما أعطى توزيعاً لاحقاً شبه إهليلجي. والثانية حافة منحنية رفيعة، بتركيب Ωm ومعادلة حالة الطاقة المظلمة مع تثبيت H0. أما الثالثة فكانت مسألة متعددة القمم: إيجاد تردد موجة جيبية رُصدت في 40 ليلة خلال 80 يوماً، وهو ما ينتج عدة قمم منفصلة.
الكيانات الرئيسية: الشركات: Towards Data Science | الأشخاص: Arvi Z.
سؤال شائع: بأي أداة يجب أن تثق في مسألة متعددة القمم؟
في هذا الاختبار المعياري، كانت dynesty الأداة الوحيدة التي وجدت كل القمم وأنتجت دليلاً صحيحاً، بينما فشلت NUTS وأعطت emcee نتائج خاطئة بثقة تامة. ومع ذلك، تبين أن أشرطة خطأ الدليل لديها متفائلة.
المصدر: Towards Data Science · لخّصه HeadlinesBriefing