支持MCMC等多种贝叶斯方法的概率包
probayes的Python项目详细描述
#可能 支持多种贝叶斯方法的概率包,包括MCMC
与现有库不同,probayes采用模型驱动的方法,只受规则约束,具有完全的灵活性 概率论。因为probayes是它的婴儿期,处于不断变化的状态,所以没有手册。目前probayes支持 以下内容:
- 非变换域空间中的多随机变量抽样。在
- 过渡模拟,包括随机行走,使用马尔可夫链条件。在
- 离散网格精确推理。在
- 普通蒙特卡罗随机抽样。在
- 普通蒙特卡罗拒绝抽样。在
- 大都会黑斯廷斯MCMC采样。在
- 有限支持多元正态协方差吉布斯抽样。在
在不久的将来,计划扩大probayes的范围,包括:
- 支持半共轭Gibbs抽样。在
- 使用密集平均场消息传递对近似推理的代码初始支持。在
- 支持基于导数的更新(HMC、坡度上升/下降优化)。在
快速入门也是有意的,但目前示例/子目录中有一些示例:
- 测试/简单测试脚本
- rv_示例/随机变量示例
- markov/markov链实例
- 使用协方差矩阵的例子
- 离散网格精确推理实例
- omc/普通蒙特卡罗示例
- mcmc/Markov链蒙特卡罗示例(Metropolis Hastings,Gibbs…)
- 项目
标签: