Cette compétence fournit des outils pour la modélisation statistique bayésienne avec PyMC. Elle permet de construire des modèles hiérarchiques, d'exécuter l'échantillonnage MCMC avec NUTS, de réaliser l'inférence variationnelle et de comparer des modèles avec les métriques LOO/WAIC pour une quantification rigoureuse de l'incertitude.
下載技能 ZIP
在 Claude 中上傳
前往 設定 → 功能 → 技能 → 上傳技能
開啟並開始使用
測試它
正在使用「pymc-bayesian-modeling」。 Construire un modèle bayésien pour estimer l'effet du traitement sur le résultat, en tenant compte de l'âge comme covariable.
預期結果:
- Modèle hiérarchique créé avec effet du traitement et coefficient d'âge
- A priori : Normal(0, 1) pour les deux paramètres
- Échantillonné 4 chaînes avec 2000 tirages chacune
- Diagnostics : R-hat < 1.01, ESS > 400 pour tous les paramètres
- A posteriori de l'effet du traitement : 2.3 [95% HDI : 1.8, 2.8]
- A posteriori du coefficient d'âge : 0.4 [95% HDI : 0.2, 0.6]
正在使用「pymc-bayesian-modeling」。 Comparer un modèle simple avec seulement l'ordonnée à l'origine à un modèle avec prédicteurs.
預期結果:
- Modèle 1 (ordonnée à l'origine uniquement) : LOO = 245.2
- Modèle 2 (avec prédicteurs) : LOO = 178.4
- Delta LOO = 66.8 (forte évidence pour le Modèle 2)
- Valeurs Pareto-k < 0.7 pour les deux modèles (LOO fiable)
- Modèle 2 sélectionné avec vérification prédictive a posteriori réussie
安全審計
安全This is a legitimate PyMC Bayesian modeling skill for scientific computing. All 384 static findings are FALSE POSITIVES caused by scanner misinterpretation of scientific computing patterns. The scanner incorrectly flags np.random.seed(42) as 'weak cryptography', markdown backticks as 'shell execution', and legitimate statistical terms like 'network' as 'C2 keywords'. No malicious code, network access, credential handling, or exfiltration patterns exist.
風險因素
品質評分
你能建構什麼
Quantification de l'incertitude
Construire des modèles qui quantifient l'incertitude dans les prédictions via des distributions a posteriori complètes plutôt que des estimations ponctuelles.
Analyse hiérarchique
Analyser des structures de données groupées ou imbriquées avec mise en commun partielle en utilisant des modèles bayésiens hiérarchiques.
Comparaison de modèles
Comparer plusieurs spécifications de modèles en utilisant la validation croisée LOO pour sélectionner la meilleure approche.
試試這些提示
Construire un modèle de régression linéaire bayésienne en utilisant PyMC pour prédire le résultat y à partir des prédicteurs X. Inclure l'ordonnée à l'origine, les coefficients et le sigma résiduel. Exécuter l'échantillonnage MCMC avec 4 chaînes et vérifier les diagnostics.
Créer un modèle hiérarchique pour des données avec groupes. Chaque groupe doit avoir sa propre ordonnée à l'origine tout en partageant une pente commune. Utiliser une paramétrisation non centrée pour éviter les problèmes d'échantillonnage.
Comparer trois spécifications de modèles en utilisant LOO (validation croisée leave-one-out). Vérifier les valeurs Pareto-k pour la fiabilité et indiquer quel modèle est préféré avec la force des preuves.
Exécuter des diagnostics complets sur mes échantillons a posteriori incluant R-hat, la taille d'échantillon effective, les divergences et la profondeur d'arbre. Générer un rapport de diagnostic avec visualisations et signaler tout problème.
最佳實務
- Standardiser les prédicteurs avant la modélisation pour améliorer l'efficacité de l'échantillonnage et la convergence
- Utiliser des a priori faiblement informatifs (pas plats) basés sur les connaissances du domaine
- Toujours effectuer des vérifications prédictives a priori avant l'ajustement pour valider la spécification du modèle
- Vérifier R-hat < 1.01, ESS > 400 et zéro divergence avant d'interpréter les résultats
避免
- Utiliser des a priori plats Uniform(0, 1) sur des paramètres non bornés peut causer des problèmes d'échantillonnage
- Ignorer les divergences et continuer à interpréter les résultats sans résoudre les problèmes d'échantillonnage
- Comparer des modèles sans calculer log_likelihood pendant l'échantillonnage
- Utiliser une paramétrisation centrée pour les modèles hiérarchiques entraîne un échantillonnage lent