pymc-devs/pymc

解决的问题

PyMC 提供了一个贝叶斯统计建模的框架，允许用户定义概率模型并估计其参数。它解决了在无需用户具备复杂拟合算法的深入专业知识的情况下，执行复杂后验估计和缺失值插补的挑战。

工作原理

PyMC 使用直观的语法来指定模型（例如 x ~ N(0,1)）。它利用 PyTensor 进行计算优化和动态编译为 C 或 JAX。为了估计参数，它采用先进的采样算法，如用于马尔可夫链蒙特卡洛（MCMC）的无U形采样器（NUTS）以及用于快速近似估计的自动微分变分推断（ADVI），包括对大规模数据集的迷你批次支持。

适用人群

专为需要构建灵活贝叶斯模型的研究人员、数据科学家和统计学家设计，适用于从简单线性回归到复杂科学建模等各种问题。

主要亮点

• 强大的采样能力：包含无U形采样器（NUTS），可处理具有数千个参数的模型。
• 变分推断：提供 ADVI 以实现快速近似后验估计。
• 优化的后端：基于 PyTensor，支持 NumPy 广播、线性代数运算符和 JAX 编译。
• 灵活的语法：具备直观的模型定义语言。
• 缺失数据支持：提供对缺失值插补的透明支持。