Эта статья поднимает множество проблем. Пожалуйста, помогите улучшить его или обсудите эти проблемы на странице обсуждения . ( Узнайте, как и когда удалить эти сообщения-шаблоны ) ( Узнайте, как и когда удалить этот шаблон сообщения )
|
Автор (ы) оригинала | Команда разработчиков ArviZ |
---|---|
Первый выпуск | 21 июля 2018 г. |
Стабильный выпуск | 0.11.0 / 18 января 2021 г. |
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- |
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