pymc-bayesian-modeling
Créer des modèles bayésiens avec PyMC
Également disponible depuis: davila7
Créer, ajuster et valider des modèles bayésiens avec PyMC. Créer des modèles hiérarchiques, effectuer un échantillonnage MCMC et comparer des modèles avec les métriques LOO et WAIC.
Télécharger le ZIP du skill
Importer dans Claude
Allez dans Paramètres → Capacités → Skills → Importer un skill
Activez et commencez à utiliser
Tester
Utilisation de "pymc-bayesian-modeling". Créer une régression linéaire bayésienne avec les prédicteurs X1, X2 et la variable de résultat y
Résultat attendu:
- Modèle: alpha ~ Normal(0,1), beta ~ Normal(0,1), sigma ~ HalfNormal(1)
- Moyennes postérieures avec intervalles crédibles à 95%
- Valeurs R-hat toutes inférieures à 1.01 indiquant la convergence
- Vérifications prédictives a posteriori montrant l'ajustement du modèle
Utilisation de "pymc-bayesian-modeling". Créer un modèle hiérarchique avec 10 groupes et 50 observations chacun
Résultat attendu:
- Hyperparamètres au niveau de la population: mu_alpha, sigma_alpha, mu_beta, sigma_beta
- Paramètres au niveau du groupe montrant le rétrécissement vers la moyenne de la population
- Traces de trace confirmant un bon mélange
- Comparaison des intercepts de groupe avec un diagramme en forêt
Utilisation de "pymc-bayesian-modeling". Comparer trois spécifications de modèles avec LOO
Résultat attendu:
- Tableau de comparaison LOO avec rang, elpd_loo et pondérations
- Diagnostics de Pareto-k pour chaque modèle
- Recommandation du meilleur modèle avec interprétation
- Prédictions moyennées par modèle si les modèles sont similaires
Audit de sécurité
SûrAll 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.
Facteurs de risque
⚙️ Commandes externes (4)
📁 Accès au système de fichiers (2)
Score de qualité
Ce que vous pouvez construire
Quantification de l'incertitude
Quantifier l'incertitude dans les coefficients de régression et les prédictions utilisant les distributions postérieures complètes.
Analyse de données hiérarchiques
Analyser des structures de données groupées ou imbriquées avec un pooling partiel entre les groupes.
Comparaison de modèles
Comparer des modèles statistiques concurrents utilisant la validation croisée LOO et les pondérations de modèle.
Essayez ces prompts
Créer un modèle de régression linéaire bayésien avec PyMC avec les variables prédictives et la variable de résultat suivantes. Inclure les vérifications prédictives a priori, échantillonner le postérieur avec NUTS et vérifier les diagnostics de convergence.
Créer un modèle bayésien hiérarchique pour des données avec une structure de groupe. Utiliser une paramétrisation non centrée pour éviter les problèmes d'échantillonnage. Afficher les estimations au niveau du groupe et le rétrécissement vers la moyenne de la population.
Ajuster deux modèles bayésiens ou plus aux mêmes données et les comparer avec LOO. Rapporter les pondérations de modèle et fournir des lignes directrices d'interprétation pour les résultats de la comparaison.
Exécuter un flux de travail d'analyse bayésienne complet incluant la préparation des données, la construction du modèle, les vérifications prédictives a priori, l'échantillonnage MCMC avec 4 chaînes, les diagnostics de convergence, les vérifications prédictives a posteriori et les prédictions pour de nouvelles données.
Bonnes pratiques
- Standardiser les prédicteurs avant la modélisation pour améliorer l'efficacité de l'échantillonnage
- Utiliser des a priori faiblement informatifs plutôt que des a priori plats pour une meilleure inférence
- Toujours exécuter des vérifications prédictives a priori avant l'ajustement pour valider les a priori
- Vérifier les diagnostics de convergence (R-hat < 1.01, ESS > 400, pas de divergences) avant d'interpréter les résultats
Éviter
- Utiliser des a priori plats (Uniform(0, 1e10)) au lieu de a priori informatifs
- Interpréter les résultats sans vérifier les diagnostics de convergence
- Utiliser une paramétrisation centrée pour les modèles hiérarchiques (provoque des divergences)
- Ajuster des modèles complexes sans vérifications prédictives a priori
Foire aux questions
Qu'est-ce que PyMC ?
Qu'est-ce que l'échantillonnage MCMC ?
Qu'est-ce que l'algorithme NUTS ?
Que sont les a priori dans l'analyse bayésienne ?
Qu'est-ce que R-hat ?
Quand dois-je utiliser des modèles hiérarchiques ?
Détails du développeur
Structure de fichiers