АрвиЗ
| Оригинальный автор(ы) | Команда разработчиков АрвиЗ |
|---|---|
| Первоначальный выпуск | 21 июля 2018 г. |
| Стабильная версия | 0.19.0 [1]  / 19 июля 2024 г |
| Репозиторий | https://github.com/arviz-devs/arviz |
| Написано в | Питон |
| Операционная система | Unix-подобные , Mac OS X , Microsoft Windows |
| Платформа | Intel x86 – 32-битный , x64 |
| Тип | Статистический пакет |
| Лицензия | Лицензия Apache, версия 2.0 |
| Веб-сайт | питон |
ArviZ ( / ˈ ɑː r v ɪ z / AR -vees ) — пакет Python для исследовательского анализа байесовских моделей . [2] [3] [4] [5] Он специально разработан для работы с выводом библиотек вероятностного программирования, таких как PyMC , Stan и других, предоставляя набор инструментов для обобщения и визуализации результатов байесовского вывода в удобной и информативной форме. ArviZ также предоставляет общую структуру данных для манипулирования и хранения данных, обычно возникающих в байесовском анализе, таких как апостериорные выборки или наблюдаемые данные.
ArviZ — это проект с открытым исходным кодом , разработанный сообществом и являющийся дочерним проектом NumFOCUS . [6] и он использовался для интерпретации задач вывода в нескольких научных областях, включая астрономию, [7] неврология, [8] физика [9] и статистика. [10] [11]
Этимология
[ редактировать ]Название ArviZ происходит от чтения «rvs» (сокращенной формы случайных переменных ) как слова вместо написания его, а также от использования частицы «viz», обычно используемой для сокращения визуализации.
Исследовательский анализ байесовских моделей
[ редактировать ]При работе с байесовскими моделями помимо самого вывода необходимо решить ряд связанных задач:
- Диагностика качества вывода, это необходимо при использовании численных методов, таких как Монте-Карло с использованием цепей Маркова. методы
- Критика модели, включая оценку как предположений модели, так и прогнозов модели.
- Сравнение моделей, включая выбор модели или усреднение модели
- Подготовка результатов для конкретной аудитории
Все эти задачи являются частью подхода исследовательского анализа байесовских моделей, и их успешное выполнение имеет решающее значение для процесса итеративного и интерактивного моделирования. Эти задачи требуют как числовых, так и визуальных сводок. [12] [13] [14]
Возможности библиотеки
[ редактировать ]- Объект InferenceData для байесовского манипулирования данными. Этот объект основан на xarray
- Графики с использованием двух альтернативных бэкэндов: matplotlib или bokeh
- Численные сводки и диагностика методов Монте-Карло для цепей Маркова .
- Интеграция с признанными языками вероятностного программирования, включая; PyStan (интерфейс Python Stan ), PyMC , [15] Эдвард [16] Пиро, [17] и легко интегрируется с новыми или заказными байесовскими анализами. ArviZ также доступен в Julia , используя ArviZ.jl. интерфейс
Ссылки
[ редактировать ]- ^ «Релиз 0.19.0» . 19 июля 2024 г. Проверено 21 июля 2024 г.
- ^ Кумар, Рэвин; Кэрролл, Колин; Хартикайнен, Ари; Мартин, Освальдо (2019). «ArviZ — унифицированная библиотека для исследовательского анализа байесовских моделей на Python» . Журнал программного обеспечения с открытым исходным кодом . 4 (33): 1143. Бибкод : 2019JOSS....4.1143K . дои : 10.21105/joss.01143 . hdl : 11336/114615 .
- ^ Мартин, Освальдо (2024). Байесовский анализ с помощью Python — Третье издание: Практическое руководство по вероятностному моделированию . Packt Publishing Ltd. ISBN 9781805127161 .
- ^ Мартин, Освальдо; Кумар, Рэвин; Лао, Цзюньпэн (2021). Байесовское моделирование и вычисления на Python . ЦРК-пресс. стр. 1–420. ISBN 9780367894368 . Проверено 7 июля 2022 г.
- ^ Гельман, Эндрю; Вехтари, Аки; Симпсон, Дэниел; Маргосян, Чарльз; Карпентер, Боб; Яо, Юлин; Кеннеди, Лорен; Габри, Иона; Бюркнер, Пол-Кристиан; Мартин, Модрак (2021). «Байесовский рабочий процесс». arXiv : 2011.01808 [ stat.ME ].
- ^ «Аффилированные проекты NumFOCUS» . NumFOCUS | Открытый код = лучшая наука . Проверено 30 ноября 2019 г.
- ^ Фарр, Уилл М.; Фишбах, Майя; Да, Джиани; Хольц, Дэниел Э. (2019). «Будущее измерение расширения Хаббла на уровне красного смещения 0,8 на процентном уровне с помощью Advanced LIGO» . Астрофизический журнал . 883 (2): Л42. arXiv : 1908.09084 . Бибкод : 2019ApJ...883L..42F . дои : 10.3847/2041-8213/ab4284 . S2CID 202150341 .
- ^ Буш-Морено, Саймон; Туомайнен, Юрки; Винсон, Дэвид (2021). «Влияние тревожности на позднюю фазу угрожающей обработки речи: данные электроэнцефалографии» . Европейский журнал неврологии . 54 (9): 7152–7175. дои : 10.1111/ejn.15470 . ПМИД 34553432 .
- ^ Йовановский, Петар; Кочарев, Люпко (2019). «Байесовская консенсусная кластеризация в мультиплексных сетях». Хаос: междисциплинарный журнал нелинейной науки . 29 (10): 103142. Бибкод : 2019Хаос..29j3142J . дои : 10.1063/1.5120503 . ПМИД 31675792 . S2CID 207834500 .
- ^ Чжоу, Гуанъяо (2019). «Смешанный гамильтониан Монте-Карло для смешанных дискретных и непрерывных переменных». arXiv : 1909.04852 [ stat.CO ].
- ^ Грэм, Мэтью М.; Тьери, Александр Х.; Бескос, Александрос (2019). «Многообразные методы Монте-Карло для цепей Маркова для байесовского вывода в широком классе диффузионных моделей». arXiv : 1912.02982 [ stat.CO ].
- ^ Габри, Иона; Симпсон, Дэниел; Вехтари, Аки; Бетанкур, Майкл; Гельман, Эндрю (2019). «Визуализация в байесовском рабочем процессе». Журнал Королевского статистического общества, серия A (Статистика в обществе) . 182 (2): 389–402. arXiv : 1709.01449 . дои : 10.1111/rssa.12378 . S2CID 26590874 .
- ^ Вехтари, Аки; Гельман, Эндрю; Симпсон, Дэниел; Карпентер, Боб; Бюркнер, Пол-Кристиан (2021). «Нормализация ранга, свертывание и локализация: улучшенный Rˆ для оценки сходимости MCMC (с обсуждением)». Байесовский анализ . 16 (2): 667. arXiv : 1903.08008 . Бибкод : 2021БайАн..16..667В . дои : 10.1214/20-BA1221 . S2CID 88522683 .
- ^ Мартин, Освальдо (2018). Байесовский анализ с помощью Python: введение в статистическое моделирование и вероятностное программирование с использованием PyMC3 и ArviZ . Packt Publishing Ltd. ISBN 9781789341652 .
- ^ Сальватье, Джон; Вецкий, Томас В.; Фоннесбек, Кристофер (2016). «Вероятностное программирование на Python с использованием PyMC3» . PeerJ Информатика . 2 : е55. arXiv : 1507.08050 . дои : 10.7717/peerj-cs.55 .
- ^ Тран, Дастин; Кучукельбир, Альпы; Диенг, Аджи Б.; Рудольф, Майя; Лян, Давен; Блей, Дэвид М. (2016). «Эдвард: библиотека для вероятностного моделирования, умозаключений и критики». arXiv : 1610.09787 [ stat.CO ].
- ^ Бингэм, Эли; Чен, Джонатан П.; Янковяк, Мартин; Обермайер, Фриц; Прадхан, Нирадж; Каралетсос, Теофанис; Сингх, Рохит; Шерлип, Пол; Хорсфолл, Пол; Гудман, Ной Д. (2018). «Поджигатель: глубокое универсальное вероятностное программирование». arXiv : 1810.09538 [ cs.LG ].