АрвиЗ

Эта статья поднимает множество проблем. Пожалуйста, помогите улучшить его или обсудите эти проблемы на странице обсуждения . ( Узнайте, как и когда удалить эти сообщения-шаблоны )

Эта статья может быть слишком технической, чтобы ее могло понять большинство читателей . Пожалуйста, помогите улучшить его, чтобы он был понятен неспециалистам , не удаляя технические детали. ( Декабрь 2019 г. ) ( Узнайте, как и когда удалить этот шаблон сообщения )

Эта статья требует дополнительных ссылок для проверки . Пожалуйста, помогите улучшить эту статью , добавив цитаты из надежных источников . Материал, не полученный от источника, может быть оспорен и удален.
Найти источники: "ArviZ" - новости · газеты · книги · ученый · JSTOR ( декабрь 2019 г. ) ( Узнайте, как и когда удалить это сообщение-шаблон )

У этой статьи нечеткий стиль цитирования . Используемые ссылки можно сделать более ясными с помощью другого или последовательного стиля цитирования и сносок . ( Декабрь 2019 г. ) ( Узнайте, как и когда удалить этот шаблон сообщения )

( Узнайте, как и когда удалить этот шаблон сообщения )

АрвиЗ
Автор (ы) оригинала	Команда разработчиков ArviZ
Первый выпуск	21 июля 2018 г. ( 21.07.2018 )

Стабильный выпуск	0.11.0 / 18 января 2021 г. ( 2021-01-18 )

Написано в	Python
Операционная система	Unix-подобный , Mac OS X , Microsoft Windows
Платформа	Intel x86 - 32-бит , x64
Тип	Статистический пакет
Лицензия	Лицензия Apache, версия 2.0
Веб-сайт	arviz- devs .github .io / arviz /

ArviZ ( / ɑː г против ɪ г / АР -vees ) является Python пакетом для поискового анализа моделей байесовских ^[1]^[2] он предлагает структуры данных для управления данными , что он является общим для анализа байесовского, как численные образцы из апостериорное, априорное и апостериорное предсказательные распределения, а также наблюдаемые данные Кроме того, доступно множество числовой / визуальной диагностики и графиков. Название ArviZ происходит от чтения слова «rvs» (краткая форма случайных переменных ) вместо написания его, а также от использования частицы «viz», обычно используемой для сокращения визуализации.

ArviZ - это проект с открытым исходным кодом , разработанный сообществом и дочерний проект NumFocus . ^[3] и использовался, чтобы помочь интерпретировать проблемы вывода в нескольких областях науки, включая астрономию, ^[4] нейробиологию, ^[5] физику ^[6] и статистику. ^[7]^[8]

Функции библиотеки [ править ]

Объект InferenceData для манипулирования байесовскими данными. Этот объект основан на xarray
Графики с использованием двух альтернативных бэкэндов: matplotlib или bokeh
Численные сводки и диагностика для методов MCMC .
Интеграция со сложившимися языками вероятностного программирования, включая PyStan (Python-интерфейс Стэна ), PyMC, ^[9] Эдвард ^[10] Pyro, ^[11] и легко интегрируется с новыми или заказными байесовскими анализами. ArviZ также доступен в Julia через интерфейс ArviZ.jl.

См. Также [ править ]

bayesplot - это пакет R, предоставляющий обширную библиотеку функций построения графиков для использования после подбора байесовских моделей (обычно с MCMC)

Пакет loo R для эффективной перекрестной проверки по выбору и WAIC для байесовских моделей

Ссылки [ править ]

^ Кумар, Рэвин; Кэрролл, Колин; Хартикайнен, Ари; Мартин, Освальдо (2019). «ArviZ - унифицированная библиотека для исследовательского анализа байесовских моделей на Python» . Журнал открытого программного обеспечения . 4 (33): 1143. Bibcode : 2019JOSS .... 4.1143K . DOI : 10,21105 / joss.01143 .
^ Мартин, Освальдо (2018). Байесовский анализ с помощью Python: Введение в статистическое моделирование и вероятностное программирование с использованием PyMC3 и ArviZ . Packt Publishing Ltd. ISBN 9781789341652.
^ «Аффилированные проекты NumFOCUS» . NumFOCUS | Открытый код = лучшая наука . Проверено 30 ноября 2019 .
^ Фарр, Уилл М .; Фишбах, Майя; Е, Цзиани; Хольц, Дэниел Э. (2019). «Будущее измерение расширения Хаббла на уровне красного смещения 0,8 с помощью усовершенствованного LIGO». Астрофизический журнал . 883 (2): L42. arXiv : 1908.09084 . Bibcode : 2019ApJ ... 883L..42F . DOI : 10,3847 / 2041-8213 / ab4284 . S2CID 202150341 .
^ Буш-Морено, Саймон; Туомайнен, Юрки; Винсон, Дэвид (2020). «Семантическая и просодическая обработка угроз при личном беспокойстве: влияет ли повторяющееся мышление на ответы?». Познание и эмоции : 1–21. bioRxiv 10.1101 / 2020.01.24.918375 . DOI : 10.1080 / 02699931.2020.1804329 . PMID 32791880 . S2CID 213029172 .
^ Йовановски, Петар; Кокарев, Люпко (2019). «Байесовская консенсусная кластеризация в мультиплексных сетях». Хаос: междисциплинарный журнал нелинейной науки . 29 (10): 103142. Bibcode : 2019Chaos..29j3142J . DOI : 10.1063 / 1.5120503 . PMID 31675792 .
^ Чжоу, Гуанъяо (2019). «Смешанный гамильтониан Монте-Карло для смешанных дискретных и непрерывных переменных». arXiv : 1909.04852 . Цитировать журнал требует |journal=( помощь )
^ Грэм, Мэтью М .; Thiery, Alexandre H .; Бескос, Александрос (2019). "Многообразные методы Монте-Карло цепи Маркова для байесовского вывода в широком классе диффузионных моделей". arXiv : 1912.02982 . Цитировать журнал требует |journal=( помощь )
^ Сальватье, Джон; Wiecki, Thomas V .; Фоннесбек, Кристофер (2016). «Вероятностное программирование на Python с использованием PyMC3» . PeerJ Computer Science . 2 : e55. DOI : 10.7717 / peerj-cs.55 .
^ Тран, Дастин; Кучукельбир, Альп; Dieng, Adji B .; Рудольф, Майя; Лян, Давен; Блей, Дэвид М. (2016). «Эдвард: библиотека для вероятностного моделирования, вывода и критики». arXiv : 1610.09787 . Цитировать журнал требует |journal=( помощь )
^ Бингхэм, Эли; Чен, Джонатан П .; Янковяк, Мартин; Обермейер, Фриц; Прадхан, Нирадж; Каралецос, Теофанис; Сингх, Рохит; Шерлип, Пол; Хорсфолл, Пол; Гудман, Ноа Д. (2018). «Поджигатель: глубокое универсальное вероятностное программирование». arXiv : 1810.09538 . Цитировать журнал требует |journal=( помощь )

Внешние ссылки [ править ]

Веб-сайт АрвиЗ

[1] Кумар, Рэвин; Кэрролл, Колин; Хартикайнен, Ари; Мартин, Освальдо (2019). «ArviZ - унифицированная библиотека для исследовательского анализа байесовских моделей на Python» . Журнал открытого программного обеспечения . 4 (33): 1143. Bibcode : 2019JOSS .... 4.1143K . DOI : 10,21105 / joss.01143 .

[Martin2018-2] Мартин, Освальдо (2018). Байесовский анализ с помощью Python: Введение в статистическое моделирование и вероятностное программирование с использованием PyMC3 и ArviZ . Packt Publishing Ltd. ISBN 9781789341652.

[3] «Аффилированные проекты NumFOCUS» . NumFOCUS | Открытый код = лучшая наука . Проверено 30 ноября 2019 .

[4] Фарр, Уилл М .; Фишбах, Майя; Е, Цзиани; Хольц, Дэниел Э. (2019). «Будущее измерение расширения Хаббла на уровне красного смещения 0,8 с помощью усовершенствованного LIGO». Астрофизический журнал . 883 (2): L42. arXiv : 1908.09084 . Bibcode : 2019ApJ ... 883L..42F . DOI : 10,3847 / 2041-8213 / ab4284 . S2CID 202150341 .

[5] Буш-Морено, Саймон; Туомайнен, Юрки; Винсон, Дэвид (2020). «Семантическая и просодическая обработка угроз при личном беспокойстве: влияет ли повторяющееся мышление на ответы?». Познание и эмоции : 1–21. bioRxiv 10.1101 / 2020.01.24.918375 . DOI : 10.1080 / 02699931.2020.1804329 . PMID 32791880 . S2CID 213029172 .

[6] Йовановски, Петар; Кокарев, Люпко (2019). «Байесовская консенсусная кластеризация в мультиплексных сетях». Хаос: междисциплинарный журнал нелинейной науки . 29 (10): 103142. Bibcode : 2019Chaos..29j3142J . DOI : 10.1063 / 1.5120503 . PMID 31675792 .

[7] Чжоу, Гуанъяо (2019). «Смешанный гамильтониан Монте-Карло для смешанных дискретных и непрерывных переменных». arXiv : 1909.04852 . Цитировать журнал требует |journal=( помощь )

[8] Грэм, Мэтью М .; Thiery, Alexandre H .; Бескос, Александрос (2019). "Многообразные методы Монте-Карло цепи Маркова для байесовского вывода в широком классе диффузионных моделей". arXiv : 1912.02982 . Цитировать журнал требует |journal=( помощь )

[9] Сальватье, Джон; Wiecki, Thomas V .; Фоннесбек, Кристофер (2016). «Вероятностное программирование на Python с использованием PyMC3» . PeerJ Computer Science . 2 : e55. DOI : 10.7717 / peerj-cs.55 .

[10] Тран, Дастин; Кучукельбир, Альп; Dieng, Adji B .; Рудольф, Майя; Лян, Давен; Блей, Дэвид М. (2016). «Эдвард: библиотека для вероятностного моделирования, вывода и критики». arXiv : 1610.09787 . Цитировать журнал требует |journal=( помощь )

[11] Бингхэм, Эли; Чен, Джонатан П .; Янковяк, Мартин; Обермейер, Фриц; Прадхан, Нирадж; Каралецос, Теофанис; Сингх, Рохит; Шерлип, Пол; Хорсфолл, Пол; Гудман, Ноа Д. (2018). «Поджигатель: глубокое универсальное вероятностное программирование». arXiv : 1810.09538 . Цитировать журнал требует |journal=( помощь )

[1]