pymc-bayesian-modeling
Bayesian-Modelle mit PyMC erstellen
Auch verfügbar von: davila7
Erstellen, anpassen und validieren Sie Bayesian-Modelle mit PyMC. Erstellen Sie hierarchische Modelle, führen Sie MCMC-Sampling durch und vergleichen Sie Modelle mit LOO- und WAIC-Metriken.
Die Skill-ZIP herunterladen
In Claude hochladen
Gehe zu Einstellungen → Fähigkeiten → Skills → Skill hochladen
Einschalten und loslegen
Teste es
Verwendung von "pymc-bayesian-modeling". Erstellen Sie eine Bayesian-Linearregression mit Prädiktoren X1, X2 und Zielvariable y
Erwartetes Ergebnis:
- Model: alpha ~ Normal(0,1), beta ~ Normal(0,1), sigma ~ HalfNormal(1)
- Posterior-Mittelwerte mit 95%-Credible-Intervallen
- R-hat-Werte alle unter 1.01, die Konvergenz anzeigen
- Posterior-Predictive-Checks, die Modellanpassung zeigen
Verwendung von "pymc-bayesian-modeling". Erstellen Sie ein hierarchisches Modell mit 10 Gruppen und 50 Beobachtungen pro Gruppe
Erwartetes Ergebnis:
- Populations-Level-Hyperparameter: mu_alpha, sigma_alpha, mu_beta, sigma_beta
- Gruppen-Level-Parameter, die Shrinkage hin zum Populationsmittelwert zeigen
- Trace-Plots, die gutes Mischen bestätigen
- Vergleich von Gruppen-Intercepts mit Forest-Plot
Verwendung von "pymc-bayesian-modeling". Vergleichen Sie drei Modellspezifikationen unter Verwendung von LOO
Erwartetes Ergebnis:
- LOO-Vergleichstabelle mit Rang, elpd_loo und Gewichten
- Pareto-k-Diagnostik für jedes Modell
- Empfehlung für das beste Modell mit Interpretation
- Modellgemittelte Vorhersagen, falls Modelle ähnlich sind
Sicherheitsaudit
SicherAll 383 static findings are false positives. The 'weak cryptographic algorithm' detections flag legitimate PyMC probability distributions. The 'external_commands' findings flag markdown backtick syntax. This is a legitimate scientific computing skill for Bayesian statistical modeling.
Risikofaktoren
⚙️ Externe Befehle (4)
📁 Dateisystemzugriff (2)
Qualitätsbewertung
Was du bauen kannst
Unsicherheitsquantifizierung
Quantifizieren Sie die Unsicherheit in Regressionskoeffizienten und Vorhersagen unter Verwendung vollständiger Posterior-Verteilungen.
Hierarchische Datenanalyse
Analysieren Sie gruppierte oder verschachtelte Datenstrukturen mit Partial Pooling über Gruppen hinweg.
Modellvergleich
Vergleichen Sie konkurrierende statistische Modelle unter Verwendung von LOO-Kreuzvalidierung und Modellgewichten.
Probiere diese Prompts
Erstellen Sie ein Bayesian-Linearregressionsmodell mit PyMC mit den folgenden Prädiktoren und der Zielvariablen. Fügen Sie Prior-Predictive-Checks ein, samplen Sie das Posterior mit NUTS und überprüfen Sie die Konvergenzdiagnostik.
Erstellen Sie ein hierarchisches Bayesian-Modell für Daten mit Gruppenstruktur. Verwenden Sie nicht-zentrierte Parametrisierung, um Sampling-Probleme zu vermeiden. Zeigen Sie Gruppen-Level-Schätzungen und Shrinkage hin zum Populationsmittelwert.
Passen Sie zwei oder mehr Bayesian-Modelle an dieselben Daten an und vergleichen Sie sie unter Verwendung von LOO. Berichten Sie die Modellgewichte und geben Sie Interpretationsrichtlinien für die Vergleichsergebnisse.
Führen Sie einen vollständigen Bayesian-Analyse-Workflow durch, einschließlich Datenvorbereitung, Modellerstellung, Prior-Predictive-Checks, MCMC-Sampling mit 4 Ketten, Konvergenzdiagnostik, Posterior-Predictive-Checks und Vorhersagen für neue Daten.
Bewährte Verfahren
- Standardisieren Sie Prädiktoren vor der Modellierung, um die Sampling-Effizienz zu verbessern
- Verwenden Sie schwach informative Priors anstelle von flachen Priors für bessere Inferenz
- Führen Sie immer Prior-Predictive-Checks vor dem Anpassen durch, um Priors zu validieren
- Überprüfen Sie die Konvergenzdiagnostik (R-hat < 1.01, ESS > 400, keine Divergenzen), bevor Sie Ergebnisse interpretieren
Vermeiden
- Verwenden von flachen Priors (Uniform(0, 1e10)) anstelle informativer Priors
- Interpretieren von Ergebnissen ohne Überprüfung der Konvergenzdiagnostik
- Verwenden von zentrierter Parametrisierung für hierarchische Modelle (verursacht Divergenzen)
- Anpassen komplexer Modelle ohne Prior-Predictive-Checks