arviz-devs/arviz

Exploratory analysis of Bayesian models with Python

解决的问题

ArviZ 为贝叶斯模型的探索性分析提供了一种标准化的方法。它简化了理解、检查和比较这些模型结果的过程，这些模型通常涉及复杂的后验分布，手动分析非常困难。

工作原理

它是一个 Python 包，提供了一套用于后验分析、数据存储、模型检查、比较和诊断的工具。它允许用户可视化和分析贝叶斯模型的输出，以确保模型运行正确并提供可靠的结果。

适用人群

适用于从初学者到经验丰富的实践者在内的所有贝叶斯建模者。特别适合需要强大工具进行模型诊断和比较的用户。

主要亮点

  • 后验分析和数据存储工具
  • 模型检查和比较功能
  • 确保模型可靠性的诊断函数
  • 可作为 Python 包使用，同时提供 Julia 封装（ArviZ.jl）

相关

  • 项目
    maximtrp/scikit-posthocs

    一个提供广泛参数和非参数后验检验的 Python 包，用于统计数据分析中的成对多重比较。

  • 项目
    sbi-dev/sbi

    一个基于贝叶斯方法，利用观测数据估计模拟器参数后验分布的 Python 包。

  • 项目
    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.

  • 项目
    joshspeagle/dynesty

    一个使用动态嵌套采样（Dynamic Nested Sampling）来计算贝叶斯后验概率与证据的纯 Python 包。

  • 项目
    easystats/bayestestR

    一个提供全面函数集的 R 包，用于分析和描述贝叶斯模型的后验分布，重点关注中心性、不确定性和效应显著性。