技能 pymc-bayesian-modeling
🥈 79 白銀
1
下載技能 ZIP
2
在 Claude 中上傳
前往 設定 → 功能 → 技能 → 上傳技能
3
開啟並開始使用
測試它
正在使用「pymc-bayesian-modeling」。 Build a Bayesian linear regression with predictors X1, X2 and outcome y
預期結果:
- Model: alpha ~ Normal(0,1), beta ~ Normal(0,1), sigma ~ HalfNormal(1)
- 後驗平均值與 95% 可信區間
- R-hat 值皆低於 1.01，表示收斂
- 後驗預測檢查顯示模型擬合情形
正在使用「pymc-bayesian-modeling」。 Create a hierarchical model with 10 groups and 50 observations each
預期結果:
- 母體層級超參數：mu_alpha, sigma_alpha, mu_beta, sigma_beta
- 群組層級參數顯示朝向母體平均的收縮
- 軌跡圖確認混合良好
- 使用森林圖比較群組截距
正在使用「pymc-bayesian-modeling」。 Compare three model specifications using LOO
預期結果:
- 包含 rank、elpd_loo 與 weights 的 LOO 比較表
- 每個模型的 Pareto-k 診斷
- 最佳模型建議與詮釋
- 若模型相近，提供模型平均的預測
安全審計
安全v4 • 1/17/2026
All 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.
9
已掃描檔案
3,435
分析行數
2
發現項
4
審計總數
風險因素
審計者: claude 查看審計歷史 →
品質評分
82
架構
100
可維護性
87
內容
20
社群
100
安全
78
規範符合性
你能建構什麼
不確定性量化
使用完整後驗分佈量化迴歸係數與預測的不確定性。
階層式資料分析
以跨群組的部分池化分析分組或巢狀資料結構。
模型比較
使用 LOO 交叉驗證與模型權重比較競爭的統計模型。
試試這些提示
簡單線性迴歸
使用 PyMC 建立一個貝葉斯線性迴歸模型，包含下列預測變數與結果變數。包含先驗預測檢查，使用 NUTS 取樣後驗，並檢查收斂診斷。
階層式模型
針對具有群組結構的資料建立階層式貝葉斯模型。使用非中心化參數化以避免取樣問題。展示群組層級的估計與朝向母體平均的收縮。
模型比較
將兩個或更多貝葉斯模型擬合同一資料並使用 LOO 比較。回報模型權重並提供比較結果的詮釋指引。
完整工作流程
執行完整的貝葉斯分析流程，包含資料準備、模型建立、先驗預測檢查、使用 4 條鏈進行 MCMC 取樣、收斂診斷、後驗預測檢查，以及對新資料的預測。
最佳實務
- 建模前標準化預測變數以提升取樣效率
- 使用弱資訊先驗而非平坦先驗以獲得更佳推論
- 在擬合前務必進行先驗預測檢查以驗證先驗
- 在解讀結果前檢查收斂診斷（R-hat < 1.01、ESS > 400、無發散）
避免
- 使用平坦先驗（Uniform(0, 1e10)）而非資訊性先驗
- 未檢查收斂診斷就解讀結果
- 對階層式模型使用中心化參數化（會造成發散）
- 在沒有先驗預測檢查下擬合複雜模型
常見問題
什麼是 PyMC？
PyMC 是一個用於機率式程式設計的 Python 函式庫，可進行貝葉斯建模與馬可夫鏈蒙地卡羅取樣。
什麼是 MCMC 取樣？
MCMC（Markov Chain Monte Carlo）是一系列演算法，當直接取樣困難時，用來從機率分佈生成樣本。
什麼是 NUTS 演算法？
NUTS（No-U-Turn Sampler）是一種自適應的哈密頓蒙地卡羅演算法，能自動調整步長與軌跡長度。
貝葉斯分析中的先驗是什麼？
先驗表示在觀測資料之前對參數的知識或信念。它們透過貝葉斯定理與資料結合以產生後驗。
什麼是 R-hat？
R-hat（Gelman-Rubin 統計量）衡量各鏈之間的收斂情況。小於 1.01 的值表示良好收斂。
何時應該使用階層式模型？
當資料具有分組或巢狀結構時使用階層式模型，可在群組之間進行部分池化。