pymc-bayesian-modeling
Создание байесовских моделей с PyMC
Также доступно от: davila7
Создание, подгонка и проверка байесовских моделей с использованием PyMC. Создание иерархических моделей, запуск MCMC-сэмплирования и сравнение моделей с помощью метрик LOO и WAIC.
Скачать ZIP навыка
Загрузить в Claude
Перейдите в Settings → Capabilities → Skills → Upload skill
Включите и начните использовать
Протестировать
Использование «pymc-bayesian-modeling». Build a Bayesian linear regression with predictors X1, X2 and outcome y
Ожидаемый результат:
- Model: alpha ~ Normal(0,1), beta ~ Normal(0,1), sigma ~ HalfNormal(1)
- Posterior means with 95% credible intervals
- R-hat values all below 1.01 indicating convergence
- Posterior predictive checks showing model fit
Использование «pymc-bayesian-modeling». Create a hierarchical model with 10 groups and 50 observations each
Ожидаемый результат:
- Population-level hyperparameters: mu_alpha, sigma_alpha, mu_beta, sigma_beta
- Group-level parameters showing shrinkage toward population mean
- Trace plots confirming good mixing
- Comparison of group intercepts with forest plot
Использование «pymc-bayesian-modeling». Compare three model specifications using LOO
Ожидаемый результат:
- LOO comparison table with rank, elpd_loo, and weights
- Pareto-k diagnostics for each model
- Recommendation for best model with interpretation
- Model-averaged predictions if models are similar
Аудит безопасности
БезопасноAll 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.
Факторы риска
⚙️ Внешние команды (4)
📁 Доступ к файловой системе (2)
Оценка качества
Что вы можете построить
Квантификация неопределённости
Квантификация неопределённости в коэффициентах регрессии и прогнозах с использованием полных апостериорных распределений.
Анализ иерархических данных
Анализ групповых или вложенных структур данных с частичным объединением информации между группами.
Сравнение моделей
Сравнение конкурирующих статистических моделей с использованием перекрёстной проверки LOO и весов моделей.
Попробуйте эти промпты
Создайте байесовскую модель линейной регрессии с использованием PyMC со следующими предикторами и зависимой переменной. Включите проверки априорных прогнозов, выполните сэмплирование апостериора с помощью NUTS и проверьте диагностику сходимости.
Создайте иерархическую байесовскую модель для данных с групповой структурой. Используйте нецентрированную параметризацию для избежания проблем с сэмплированием. Покажите оценки на уровне групп и стягивание к среднему по популяции.
Подгоните две или более байесовских модели к одним и тем же данным и сравните их с помощью LOO. Сообщите веса моделей и предоставьте рекомендации по интерпретации результатов сравнения.
Выполните полный рабочий процесс байесовского анализа, включающий подготовку данных, построение модели, проверки априорных прогнозов, MCMC-сэмплирование с 4 цепочками, диагностику сходимости, проверки апостериорных прогнозов и прогнозы для новых данных.
Лучшие практики
- Стандартизируйте предикторы перед моделированием для повышения эффективности сэмплирования
- Используйте слабо информативные априорные распределения вместо плоских для лучшего вывода
- Всегда выполняйте проверки априорных прогнозов перед подгонкой для валидации априорных распределений
- Проверяйте диагностику сходимости (R-hat < 1.01, ESS > 400, отсутствие расхождений) перед интерпретацией результатов
Избегать
- Использование плоских априорных распределений (Uniform(0, 1e10)) вместо информативных
- Интерпретация результатов без проверки диагностики сходимости
- Использование центрированной параметризации для иерархических моделей (вызывает расхождения)
- Подгонка сложных моделей без проверок априорных прогнозов
Часто задаваемые вопросы
Что такое PyMC?
Что такое MCMC-сэмплирование?
Что такое алгоритм NUTS?
Что такое априорные распределения в байесовском анализе?
Что такое R-hat?
Когда следует использовать иерархические модели?
Сведения для разработчиков
Структура файлов