ArviZ ( / ɑː r v ɪ z / AR -vees ) es un Python paquete para análisis exploratorio de modelos bayesianos [1] [2] Ofrece estructuras de datos para la manipulación de datos que es común en el análisis Bayesiano, como muestras numéricas de la distribuciones predictivas posteriores, previas y predictivas posteriores, así como datos observados. Además, se encuentran disponibles muchos diagramas y diagramas numéricos / visuales. El nombre ArviZ se deriva de la lectura de "rvs" (la forma corta de variables aleatorias ) como una palabra en lugar de deletrearla y también de usar la partícula "viz" que generalmente se usa para abreviar la visualización.
Autor (es) original (es) | Equipo de desarrollo de ArviZ |
---|---|
Versión inicial | 21 de julio de 2018 |
Lanzamiento estable | 0.11.0 / 18 de enero de 2021 |
Escrito en | Pitón |
Sistema operativo | Tipo Unix , Mac OS X , Microsoft Windows |
Plataforma | Intel x86: 32 bits , x64 |
Tipo | Paquete estadístico |
Licencia | Licencia Apache, versión 2.0 |
Sitio web | arviz-devs |
ArviZ es un proyecto de código abierto, desarrollado por la comunidad y es un proyecto afiliado de NumFocus . [3] y se ha utilizado para ayudar a interpretar problemas de inferencia en varios dominios científicos, incluyendo astronomía, [4] neurociencia, [5] física [6] y estadística. [7] [8]
Funciones de la biblioteca
- Objeto InferenceData para manipulación de datos bayesianos. Este objeto se basa en xarray
- Trazados usando dos backends alternativos matplotlib o bokeh
- Resúmenes numéricos y diagnósticos para métodos MCMC .
- Integración con lenguajes de programación probabilísticos establecidos que incluyen; PyStan (la interfaz Python de Stan ), PyMC, [9] Edward [10] Pyro, [11] y se integra fácilmente con análisis bayesianos novedosos o personalizados. ArviZ también está disponible en Julia , utilizando la interfaz ArviZ.jl
Ver también
bayesplot es un paquete R que proporciona una extensa biblioteca de funciones de trazado para usar después de ajustar modelos bayesianos (generalmente con MCMC)
Paquete loo R para una validación cruzada eficiente Leave-One-Out y WAIC para modelos bayesianos
Referencias
- ^ Kumar, Ravin; Carroll, Colin; Hartikainen, Ari; Martín, Osvaldo (2019). "ArviZ una biblioteca unificada para el análisis exploratorio de modelos bayesianos en Python" . Revista de software de código abierto . 4 (33): 1143. Bibcode : 2019JOSS .... 4.1143K . doi : 10.21105 / joss.01143 .
- ^ Martín, Osvaldo (2018). Análisis Bayesiano con Python: Introducción al modelado estadístico y programación probabilística usando PyMC3 y ArviZ . Packt Publishing Ltd. ISBN 9781789341652.
- ^ "Proyectos afiliados a NumFOCUS" . NumFOCUS | Código abierto = Mejor ciencia . Consultado el 30 de noviembre de 2019 .
- ^ Farr, Will M .; Fishbach, Maya; Ye, Jiani; Holz, Daniel E. (2019). "Una medición de nivel de porcentaje futuro de la expansión de Hubble en Redshift 0.8 con LIGO avanzado". El diario astrofísico . 883 (2): L42. arXiv : 1908.09084 . Código bibliográfico : 2019ApJ ... 883L..42F . doi : 10.3847 / 2041-8213 / ab4284 . S2CID 202150341 .
- ^ Busch-Moreno, Simon; Tuomainen, Jyrki; Vinson, David (2020). "Procesamiento de amenazas semánticas y prosódicas en la ansiedad de rasgos: ¿el pensamiento repetitivo influye en las respuestas?" (PDF) . Cognición y emoción . 35 (1): 50–70. bioRxiv 10.1101 / 2020.01.24.918375 . doi : 10.1080 / 02699931.2020.1804329 . PMID 32791880 . S2CID 213029172 .
- ^ Jovanovski, Petar; Kocarev, Ljupco (2019). "Clustering de consenso bayesiano en redes multiplex". Caos: una revista interdisciplinaria de ciencia no lineal . 29 (10): 103142. Bibcode : 2019Chaos..29j3142J . doi : 10.1063 / 1.5120503 . PMID 31675792 .
- ^ Zhou, Guangyao (2019). "Montecarlo hamiltoniano mixto para variables mixtas discretas y continuas". arXiv : 1909.04852 . Cite journal requiere
|journal=
( ayuda ) - ^ Graham, Matthew M .; Thiery, Alexandre H .; Beskos, Alexandros (2019). "Métodos de Monte Carlo de cadena de Markov múltiple para inferencia bayesiana en una amplia clase de modelos de difusión". arXiv : 1912.02982 . Cite journal requiere
|journal=
( ayuda ) - ^ Salvatier, John; Wiecki, Thomas V .; Fonnesbeck, Christopher (2016). "Programación probabilística en Python usando PyMC3" . PeerJ Ciencias de la Computación . 2 : e55. doi : 10.7717 / peerj-cs.55 .
- ^ Tran, Dustin; Kucukelbir, Alp; Dieng, Adji B .; Rudolph, Maja; Liang, Dawen; Blei, David M. (2016). "Edward: una biblioteca para el modelado probabilístico, la inferencia y la crítica". arXiv : 1610.09787 . Cite journal requiere
|journal=
( ayuda ) - ^ Bingham, Eli; Chen, Jonathan P .; Jankowiak, Martin; Obermeyer, Fritz; Pradhan, Neeraj; Karaletsos, Theofanis; Singh, Rohit; Szerlip, Paul; Horsfall, Paul; Goodman, Noah D. (2018). "Pyro: Programación probabilística universal profunda". arXiv : 1810.09538 . Cite journal requiere
|journal=
( ayuda )
enlaces externos
- Sitio web de ArviZ