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

站点导航

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

站点导航

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

类别

初级
中级
高级

标签

  • ABC
  • BART
  • 贝叶斯因子
  • 贝叶斯工作流
  • CO2
  • DEMetropolis
  • DEMetropolis(Z)
  • JAX
  • ODE
  • PCA
  • PyTensor
  • 强化学习
  • SMC
  • 辛普森悖论
  • ab 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
  • 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
  • 混淆
  • 对照
  • copula
  • 相关特征
  • 计数数据
  • 反事实
  • cox 过程
  • 交叉验证
  • 去偏机器学习
  • 调试
  • 部署
  • 诊断
  • 差异中的差异
  • 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
  • 序数特征
  • 序数回归
  • 样本外预测
  • 异常值
  • 面板数据
  • 参数估计
  • 路径分析
  • patsy
  • 感知器
  • 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-datasets
  • 回归
  • 稳健
  • 抽样
  • 缩放
  • 科学工作流
  • sem
  • 共享数据
  • 社交网络
  • 空间
  • 样条
  • 样条
  • 体育
  • 统计再思考
  • 步进方法
  • 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
  • 威布尔
  • 帖子...

标记为 t-process 的帖子

学生 t 过程

  • 2017 年 8 月 24 日
  • Bill Engels
  • 中级
  • t-process 高斯过程 非参数

PyMC 还包括 T 过程先验。它们是将高斯过程先验推广到多元学生氏 T 分布。用法与 gp.Latent 的用法相同,只是在模型中指定它们时需要自由度参数。有关更多信息,请参阅 Rasmussen+Williams 的第 9 章和 Shah 等人。

阅读更多...


支持 PyMC

© Copyright 2022, PyMC Community。

使用 Sphinx 8.1.3 生成。

使用 PyData Sphinx Theme 0.14.4 构建。