stan-dev/bayesplot

bayesplot R package for plotting Bayesian models

解決的問題

貝葉斯建模經常產生複雜的後驗抽樣與MCMC（馬可夫鏈蒙特卡洛）資料，這些資料在視覺上難以解讀。bayesplot 提供一個標準化的繪圖函數庫，協助使用者診斷模型效能並視覺化貝葉斯模型的結果。

作用方式

此套件是以與 ggplot2 整合的R函式庫形式建構。它接收後驗抽樣（通常來自MCMC）並轉換為多種專業圖表。支援多種類型的視覺化：

  • 後驗抽樣： 視覺化參數的分佈。
  • MCMC診斷： 識別鏈收斂與取樣效率的問題。
  • HMC/NUTS診斷： 專門用於診斷哈密頓蒙特卡洛（HMC）與無截斷取樣器（NUTS）效能的工具，例如能量圖與發散散點圖。
  • 預測檢驗： 圖形化後驗或先驗預測檢驗，用以比較模型預測與觀測資料。

適用對象

專為使用貝葉斯建模的研究人員與開發者設計，特別是使用 Stan 生態系統（如 rstan 或 rstanarm）的使用者，但也可用於任何產生後驗抽樣的貝葉斯模型。

主要特色

  • ggplot2整合： 所有圖表皆為ggplot物件，可使用標準ggplot2函數進行完全自訂。
  • 全面診斷： 包含MCMC與NUTS能量診斷的特定工具。
  • 預測分析： 內建後驗預測檢驗（PPC）函數。
  • 開發者友善： 提供一組通用函數，其他貝葉斯建模套件可作為視覺化後端使用。

相關

  • 專案
    easystats/bayestestR

    一個提供全面函數集的 R 套件，用於分析和描述貝葉斯模型的後驗分佈，重點關注中心性、不確定性和效應顯著性。

  • 專案
    easystats/performance

    一個透過擬合指標與診斷檢查來評估、比較與測試統計迴歸模型品質的 R 套件。

  • 專案
    paul-buerkner/brms

    brms 是一個 R 套件，提供高階、lme4 風格的介面，用於使用 Stan 擬合貝葉斯廣義（非線性）多層模型。它支援多種回應族群、靈活的先驗，以及一整套擬合後的診斷與視覺化工具，讓使用者無需直接撰寫 Stan 程式碼即可執行複雜的貝葉斯迴歸。

  • 專案
    geomstats/geomstats

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

  • 專案
    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.