Chris Fonnesbeck 的帖子
边际似然实现
- 2023 年 6 月 4 日
gp.Marginal 类实现了 GP 回归更常见的用例：观测数据是 GP 和高斯噪声的总和。gp.Marginal 具有 marginal_likelihood 方法、conditional 方法和 predict 方法。给定均值和协方差函数，函数 \(f(x)\) 被建模为，
贝叶斯生存分析
- 2023 年 1 月 17 日
生存分析研究事件发生时间的分布。它的应用领域跨越医学、生物学、工程学和社会科学等多个领域。本教程展示了如何使用 PyMC 在 Python 中拟合和分析贝叶斯生存模型。
PyMC 变分推断入门
- 2023 年 1 月 13 日
计算贝叶斯模型后验量的最常见策略是通过抽样，特别是马尔可夫链蒙特卡洛 (MCMC) 算法。虽然抽样算法和相关的计算在性能和效率方面不断提高，但 MCMC 方法仍然难以随数据规模扩展，并且对于超过几千个观测值的情况变得令人望而却步。变分推断 (VI) 是一种更具可扩展性的抽样替代方案，它将计算后验分布的问题重新定义为优化问题。
经验近似概述
- 2023 年 1 月 13 日
对于大多数模型，我们使用抽样 MCMC 算法，如 Metropolis 或 NUTS。在 PyMC 中，我们习惯于存储 MCMC 样本的轨迹，然后使用它们进行分析。PyMC 中的变分推断子模块也有类似的概念：经验。这种类型的近似存储 SVGD 采样器的粒子。独立的 SVGD 粒子和 MCMC 样本之间没有区别。经验充当 MCMC 抽样输出和成熟的 VI 实用程序（如 apply_replacements 或 sample_node）之间的桥梁。有关接口描述，请参阅 variational_api_quickstart。在这里，我们将重点关注 Emprical，并概述经验近似的特定内容。
PyMC 中 AR(1) 模型的分析
- 2023 年 1 月 7 日
考虑以下 AR(2) 过程，在无限过去初始化
多输出高斯过程：使用 Hamadard 乘积的协同区域化模型
- 2022 年 10 月 24 日
本笔记本展示了如何使用核心区域内核和输入内核之间的 Hamadard 乘积来实现内在协同区域化模型 (ICM) 和线性协同区域化模型 (LCM)。Bonilla等。 [2007]的本文中讨论了多输出高斯过程。有关 ICM 和 LCM 的更多信息，请查看 Mauricio Alvarez 关于多输出高斯过程的演讲，以及他的幻灯片，最后一页有更多参考资料。
使用标记的对数高斯 Cox 过程对空间点模式进行建模
- 2022 年 5 月 31 日
对数高斯 Cox 过程 (LGCP) 是一种点模式的概率模型，通常在空间或时间中观察到。它有两个主要组成部分。首先，使用指数变换的高斯过程对整个域 \(X\) 上的正实数值的底层强度场 \(\lambda(s)\) 进行建模，这约束 \(\lambda\) 为正值。然后，此强度场用于参数化泊松点过程，该过程表示在空间中放置点的随机机制。适用于此表示的现象包括整个县的癌症病例发生率或城市中犯罪事件的时空位置。空间和时间维度都可以在此框架内等效地处理，尽管本教程仅处理二维空间中的数据。
使用块更新的 Lasso 回归
- 2022 年 2 月 10 日
有时，一起更新一组参数非常有用。例如，高度相关的变量通常很适合一起更新。在 PyMC 中，块更新很简单。这将使用 pymc.sample 的参数 step 来演示。