跳到主要内容
Ctrl+K
PyMC example gallery - Home

网站导航

  • 首页
  • 示例
  • 学习
  • API
  • 社区
  • 贡献
  • GitHub
  • 推特
  • YouTube
  • Discourse

网站导航

  • 首页
  • 示例
  • 学习
  • API
  • 社区
  • 贡献
  • GitHub
  • 推特
  • YouTube
  • Discourse

分类

初级
中级
高级

标签

  • ABC
  • BART
  • 贝叶斯因子
  • 贝叶斯工作流程
  • CO2
  • DEMetropolis
  • DEMetropolis(Z)
  • JAX
  • ODE
  • PCA
  • PyTensor
  • 强化学习
  • SMC
  • 辛普森悖论
  • A/B 测试
  • 近似
  • 自动插补
  • 自回归
  • 贝叶斯插补
  • 贝叶斯推断
  • 贝叶斯结构时间序列
  • 贝叶斯工作流程
  • 分箱数据
  • 二项回归
  • 校准
  • 案例研究
  • 分类回归
  • 分类变量
  • 因果影响
  • 因果推断
  • 删失
  • CFA
  • 分类
  • 竞争风险
  • 混杂
  • 对照
  • Copula
  • 相关特征
  • 计数数据
  • 反事实
  • Cox 过程
  • 交叉验证
  • 无偏机器学习
  • 调试
  • 部署
  • 诊断
  • 倍差法
  • 离散选择
  • do 算子
  • 极端
  • 因子分析
  • 预测
  • 脆弱模型
  • 高斯过程
  • 高斯过程
  • 广义线性模型
  • 广义线性模型
  • 无梯度推断
  • 图变异
  • 哈密顿蒙特卡洛
  • 隐马尔可夫模型
  • 分层
  • 分层模型
  • 希尔伯特空间近似
  • 假设检验
  • 推断
  • 潜在高斯过程
  • 线性模型
  • 线性回归
  • 逻辑回归
  • 纵向数据
  • LOO
  • 矩阵分解
  • MCMC
  • 测量误差
  • 中介
  • 小批量
  • 缺失协变量值
  • 缺失数据
  • 缺失值
  • 混合模型
  • 模型平均
  • 模型比较
  • 模型扩展
  • 模型拟合
  • 调节
  • 多输出
  • 多层模型
  • 负二项回归
  • 神经网络
  • 非参数
  • Numba
  • 有序类别
  • 有序特征
  • 有序回归
  • 样本外预测
  • 异常值
  • 面板数据
  • 参数估计
  • 路径分析
  • Patsy
  • 感知机
  • 泊松
  • 后验预测
  • 预测
  • 先验
  • 概率
  • 产品推荐
  • 倾向评分
  • Prophet
  • 分位数
  • 准实验
  • R 数据集
  • 回归
  • 稳健
  • 抽样
  • 缩放
  • 科学工作流程
  • SEM
  • 共享数据
  • 社交网络
  • 空间
  • 样条
  • 样条
  • 体育
  • 统计再思考
  • 步长方法
  • 生存分析
  • t 过程
  • 时间序列
  • 失效时间
  • 截断
  • 变分推断
  • 向量自回归模型
  • WAIC
  • Weibull
  • 文章...

标记为分类的文章

高斯混合模型

  • 2022年4月24日
  • Abe Flaxman
  • 初级
  • 混合模型 分类

混合模型允许我们对数据分布的组成成分贡献者进行推断。更具体地说,高斯混合模型允许我们对指定数量的底层高斯分布的均值和标准差进行推断。

阅读更多...


支持 PyMC

© 版权所有 2022, PyMC 社区。

使用 Sphinx 8.1.3 创建。

使用 PyData Sphinx Theme 0.14.4 构建。