ArviZ
| Originalförfattare | ArviZ utvecklingsteam |
|---|---|
| Initial release | 21 juli 2018 |
| Stabil frisättning | 0.14.0 / 16 november 2022
|
| Skrivet i | Pytonorm |
| Operativ system | Unix-liknande , Mac OS X , Microsoft Windows |
| Plattform | Intel x86 – 32-bitars , x64 |
| Typ | Statistiskt paket |
| Licens | Apache-licens, version 2.0 |
| Hemsida |
ArviZ ( analys / paket av ˈɑːrvɪz / . är AR -vees ) ett Python- för utforskande Bayesianska modeller
När man arbetar med Bayesianska modeller finns det en rad relaterade uppgifter som måste åtgärdas förutom själva slutsatsen:
- Diagnoser av inferensens kvalitet, detta behövs när man använder numeriska metoder som Markovkedjans Monte Carlo -tekniker
- Modellkritik, inklusive utvärderingar av både modellantaganden och modellförutsägelser
- Jämförelse av modeller, inklusive modellval eller modellmedelvärde
- Förberedelse av resultat för en viss publik
Alla dessa uppgifter är en del av den utforskande analysen av Bayesianska modeller, och att framgångsrikt utföra dem är centralt för den iterativa och interaktiva modelleringsprocessen. Dessa uppgifter kräver både numeriska och visuella sammanfattningar.
ArviZ erbjuder datastrukturer för att manipulera data som är vanliga i Bayesiansk analys, som numeriska prover från den bakre, tidigare prediktiva och bakre prediktiva distributionen samt observerade data. Dessutom finns många numeriska och visuella diagnostik samt plotter tillgängliga. ArviZ-namnet kommer från att läsa "rvs" (den korta formen av slumpmässiga variater ) som ett ord istället för att stava det och även använda partikeln "viz" som vanligtvis används för att förkorta visualisering.
ArviZ är ett projekt med öppen källkod , utvecklat av communityn och är ett anslutet projekt till NumFOCUS. och det har använts för att hjälpa till att tolka slutledningsproblem inom flera vetenskapliga områden, inklusive astronomi, neurovetenskap, fysik och statistik.
Bibliotekets funktioner
- InferenceData-objekt för Bayesiansk datamanipulation. Detta objekt är baserat på xarray
- Plots med två alternativa backends matplotlib eller bokeh
- Numeriska sammanfattningar och diagnostik för Markovkedjans Monte Carlo- metoder.
- Integration med etablerade probabilistiska programmeringsspråk inklusive; PyStan (Python-gränssnittet för Stan ), PyMC , Edward Pyro och enkelt integrerat med nya eller skräddarsydda Bayesianska analyser. ArviZ är också tillgängligt i Julia , med hjälp av ArviZ.jl- gränssnittet
Se även
bayesplot är ett R-paket som tillhandahåller ett omfattande bibliotek med plottningsfunktioner för användning efter montering av Bayesianska modeller (vanligtvis med Markov-kedjan Monte Carlo)
loo R-paket för effektiv Leave-One-Out korsvalidering och WAIC för Bayesian-modeller