pymc-bayesian-modeling
Construir Modelos Bayesianos com PyMC
Auch verfügbar von: K-Dense-AI
Esta skill fornece ferramentas para modelagem estatística Bayesiana usando PyMC. Permite construir modelos hierárquicos, executar amostragem MCMC com NUTS, realizar inferência variacional e comparar modelos com métricas LOO/WAIC para quantificação de incerteza fundamentada.
Die Skill-ZIP herunterladen
In Claude hochladen
Gehe zu Einstellungen → Fähigkeiten → Skills → Skill hochladen
Einschalten und loslegen
Teste es
Verwendung von "pymc-bayesian-modeling". Construa um modelo Bayesiano para estimar o efeito do tratamento no resultado, considerando idade como covariável.
Erwartetes Ergebnis:
- Modelo hierárquico criado com efeito do tratamento e coeficiente de idade
- Prior: Normal(0, 1) para ambos os parâmetros
- 4 cadeias amostradas com 2000 draws cada
- Diagnósticos: R-hat < 1.01, ESS > 400 para todos os parâmetros
- Efeito do tratamento posterior: 2.3 [95% HDI: 1.8, 2.8]
- Coeficiente de idade posterior: 0.4 [95% HDI: 0.2, 0.6]
Verwendung von "pymc-bayesian-modeling". Compare um modelo simples com apenas o intercepto para um modelo com preditores.
Erwartetes Ergebnis:
- Modelo 1 (apenas intercepto): LOO = 245.2
- Modelo 2 (com preditores): LOO = 178.4
- Delta LOO = 66.8 (evidência forte para Modelo 2)
- Valores Pareto-k < 0.7 para ambos os modelos (LOO confiável)
- Modelo 2 selecionado com verificação preditiva posterior aprovada
Sicherheitsaudit
SicherThis 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.
Risikofaktoren
⚡ Enthält Skripte (2)
Qualitätsbewertung
Was du bauen kannst
Quantificação de incerteza
Construir modelos que quantificam incerteza em predições através de distribuições posteriores completas em vez de estimativas pontuais.
Análise hierárquica
Analisar estruturas de dados agrupados ou aninhados com pooling parcial usando modelos Bayesianos hierárquicos.
Comparação de modelos
Comparar múltiplas especificações de modelo usando validação cruzada LOO para selecionar a melhor abordagem.
Probiere diese Prompts
Construa um modelo de regressão linear Bayesiana usando PyMC para prever o resultado y a partir dos preditores X. Inclua intercepto, coeficientes e sigma residual. Execute amostragem MCMC com 4 cadeias e verifique diagnósticos.
Crie um modelo hierárquico para dados com grupos. Cada grupo deve ter seu próprio intercepto enquanto compartilha um coeficiente comum. Use parametrização não centralizada para evitar problemas de amostragem.
Compare três especificações de modelo usando LOO (validação leave-one-out). Verifique valores Pareto-k para confiabilidade e relate qual modelo é preferido com força de evidência.
Execute diagnósticos completos nas minhas amostras posteriores incluindo R-hat, tamanho de amostra efetivo, divergências e profundidade de árvore. Gere um relatório diagnóstico com visualizações e marque quaisquer problemas.
Bewährte Verfahren
- Padronize os preditores antes da modelagem para melhorar eficiência de amostragem e convergência
- Use priors fracamente informativos (não planos) baseados em conhecimento do domínio
- Sempre execute verificações preditivas anteriores antes de ajustar para validar especificação do modelo
- Verifique R-hat < 1.01, ESS > 400 e zero divergências antes de interpretar resultados
Vermeiden
- Usar priors Uniform(0, 1) planos em parâmetros ilimitados pode causar problemas de amostragem
- Ignorar divergências e continuar interpretando resultados sem corrigir problemas de amostragem
- Comparar modelos sem calcular log_likelihood durante amostragem
- Usar parametrização centralizada para modelos hierárquicos causa amostragem lenta