stan-dev/bayesplot

bayesplot R package for plotting Bayesian models

解决的问题

贝叶斯建模通常会产生复杂的后验抽样和MCMC（马尔可夫链蒙特卡洛）数据，这些数据在视觉上难以解释。bayesplot 提供了一个标准化的绘图函数库，帮助用户诊断模型性能并可视化贝叶斯模型的结果。

工作原理

该包作为与 ggplot2 集成的R库构建。它接收后验抽样（通常来自MCMC）并将其转换为各种专业图表。支持多种类型的可视化：

  • 后验抽样： 可视化参数的分布。
  • MCMC诊断： 识别链收敛性和采样效率问题。
  • HMC/NUTS诊断： 用于诊断哈密顿蒙特卡洛（HMC）和无截断采样器（NUTS）性能的特定工具，如能量图和发散散点图。
  • 预测检验： 图形化后验或先验预测检验，用于将模型预测与观测数据进行比较。

适用人群

专为使用贝叶斯建模的研究人员和开发者设计，特别是使用 Stan 生态系统（如 rstan 或 rstanarm）的用户，但也可用于任何生成后验抽样的贝叶斯模型。

主要亮点

  • ggplot2集成： 所有图表均为ggplot对象，可使用标准ggplot2函数进行完全自定义。
  • 全面诊断： 包含MCMC和NUTS能量诊断的特定工具。
  • 预测分析： 内置后验预测检验（PPC）函数。
  • 开发者友好： 提供一组通用函数，其他贝叶斯建模包可将其用作可视化后端。

相关

  • 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。

  • 项目
    easystats/performance

    一个通过拟合指数和诊断检查来评估、比较和测试统计回归模型质量的 R 包。

  • 项目
    paul-buerkner/brms

    brms 是一个 R 包，提供了一个高级、lme4 风格的接口，用于使用 Stan 拟合贝叶斯广义（非线性）多层模型。它支持多种响应分布、灵活的先验，以及一系列拟合后的诊断和可视化工具，使用户无需直接编写 Stan 代码即可执行复杂的贝叶斯回归。

  • 项目
    geomstats/geomstats

    A Python package for computations, statistics, and machine learning on manifolds, enabling the analysis of non-Euclidean data like rotations and shapes.

  • 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.