joshspeagle/dynesty

Dynamic Nested Sampling package for computing Bayesian posteriors and evidences

What it solves

dynesty は、科学研究におけるモデル選択とパラメータ推定において不可欠なベイズ後験分布と証拠（evidence）を計算するために設計されています。

How it works

動的なネストされたサンプリング（Dynamic Nested Sampling）アルゴリズムを実装しています。このアプローチにより、モデルのパラメータの確率分布からのサンプリングプロセスが、従来の方法よりも効率的かつ正確になります。

Who it's for

ベイズ推論を行い、モデルの証拠（evidence）を計算する必要がある研究者や科学者。

Highlights

  • Pure Python: このパッケージは完全に Python で書かれており、インストールがより簡単です。

  • Dynamic Nested Sampling: 特殊なサンプリング手法を用いて、証拠（evidence）の計算を最適化します。

  • Comprehensive Documentation: 詳細なガイドと restdocs ドキュメントを提供します。

  • Dests: Jupyter notebooks を含んでいます。コードのコア機能を示しています。

関連

  • プロジェクト
    erdogant/bnlearn

    bnlearn is a Python library for learning, parameterising, and querying Bayesian networks. It supports structure discovery (various scores and search methods), CPT estimation, causal inference (do‑calculus), synthetic data generation, and visualisation, all wrapped in a simple API.

  • プロジェクト
    sbi-dev/sbi

    ベイズ手法を用いて、観測データに基づいてシミュレータのパラメータの事後分布を推定するためのPythonパッケージ。

  • プロジェクト
    arviz-devs/arviz

    ベイズモデルの探索的分析用のPythonパッケージ。事後分析、モデル検証、診断のためのツールを提供します。

  • プロジェクト
    easystats/bayestestR

    ベイズモデルからの事後分布を、中心性、不確実性、効果の有意性に焦点を当てて分析・記述するための包括的な関数セットを提供するRパッケージです。

  • プロジェクト
    pymc-devs/pymc

    PyMCは、MCMCおよび変分推論アルゴリズムを使用して、複雑な確率モデルのパラメータを推定するためのPythonパッケージです。