Chris Fonnesbeck 的文章
边际似然实现
- 04 六月 2023
gp.Marginal 类实现了更常见的 GP 回归情况：观测数据是 GP 和高斯噪声的总和。gp.Marginal 有一个 marginal_likelihood 方法、一个 conditional 方法和一个 predict 方法。给定均值和协方差函数，函数 \(f(x)\) 被建模为，
边际似然实现
- 04 六月 2023
gp.Marginal 类实现了更常见的 GP 回归情况：观测数据是 GP 和高斯噪声的总和。gp.Marginal 有一个 marginal_likelihood 方法、一个 conditional 方法和一个 predict 方法。给定均值和协方差函数，函数 \(f(x)\) 被建模为，
边际似然实现
- 04 六月 2023
gp.Marginal 类实现了更常见的 GP 回归情况：观测数据是 GP 和高斯噪声的总和。gp.Marginal 有一个 marginal_likelihood 方法、一个 conditional 方法和一个 predict 方法。给定均值和协方差函数，函数 \(f(x)\) 被建模为，
边际似然实现
- 04 六月 2023
gp.Marginal 类实现了更常见的 GP 回归情况：观测数据是 GP 和高斯噪声的总和。gp.Marginal 有一个 marginal_likelihood 方法、一个 conditional 方法和一个 predict 方法。给定均值和协方差函数，函数 \(f(x)\) 被建模为，
重新参数化Weibull加速失效时间模型
- 17 一月 2023
在贝叶斯参数生存分析的先前示例笔记本中，介绍了两种不同的加速失效时间（AFT）模型：Weibull 和 对数线性。在本笔记本中，我们介绍了 Weibull AFT 模型的三种不同参数化方法。
重新参数化Weibull加速失效时间模型
- 17 一月 2023
在贝叶斯参数生存分析的先前示例笔记本中，介绍了两种不同的加速失效时间（AFT）模型：Weibull 和 对数线性。在本笔记本中，我们介绍了 Weibull AFT 模型的三种不同参数化方法。
重新参数化Weibull加速失效时间模型
- 17 一月 2023
在贝叶斯参数生存分析的先前示例笔记本中，介绍了两种不同的加速失效时间（AFT）模型：Weibull 和 对数线性。在本笔记本中，我们介绍了 Weibull AFT 模型的三种不同参数化方法。
重新参数化Weibull加速失效时间模型
- 17 一月 2023
在贝叶斯参数生存分析的先前示例笔记本中，介绍了两种不同的加速失效时间（AFT）模型：Weibull 和 对数线性。在本笔记本中，我们介绍了 Weibull AFT 模型的三种不同参数化方法。
PyMC中的变分推断简介
- 13 一月 2023
计算贝叶斯模型后验量的最常见策略是通过采样，特别是马尔可夫链蒙特卡洛（MCMC）算法。尽管采样算法及其相关计算在性能和效率上不断改进，但MCMC方法在数据规模上仍然扩展性差，对于超过几千个观测值的情况变得不可行。一种更具扩展性的替代方法是变分推断（VI），它将计算后验分布的问题重新表述为一个优化问题。
使用PyMC进行变分推断简介
- 13 一月 2023
计算贝叶斯模型后验量的最常见策略是通过采样，特别是马尔可夫链蒙特卡洛（MCMC）算法。尽管采样算法及其相关计算在性能和效率上不断改进，但MCMC方法在数据规模上仍然扩展性差，对于超过几千个观测值的情况变得不可行。一种更具扩展性的替代方法是变分推断（VI），它将计算后验分布的问题重新表述为一个优化问题。
经验近似概述
- 13 一月 2023
对于大多数模型，我们使用Metropolis或NUTS等采样MCMC算法。在PyMC中，我们习惯于存储MCMC样本的轨迹，然后使用它们进行分析。PyMC中的变分推断子模块有一个类似的概念：Empirical。这种近似方法为SVGD采样器存储粒子。独立SVGD粒子和MCMC样本之间没有区别。Empirical充当MCMC采样输出与apply_replacements或sample_node等全功能VI工具之间的桥梁。有关接口描述，请参见变分API快速入门。这里我们将只关注Emprical，并概述Empirical近似的特定内容。
经验近似概述
- 13 一月 2023
对于大多数模型，我们使用Metropolis或NUTS等采样MCMC算法。在PyMC中，我们习惯于存储MCMC样本的轨迹，然后使用它们进行分析。PyMC中的变分推断子模块有一个类似的概念：Empirical。这种近似方法为SVGD采样器存储粒子。独立SVGD粒子与MCMC样本之间没有区别。Empirical充当MCMC采样输出与apply_replacements或sample_node等全功能VI工具之间的桥梁。有关接口描述，请参见变分API快速入门。这里我们将只关注Emprical，并概述Empirical近似的特定内容。
在PyMC中分析AR(1)模型
- 07 一月 2023
考虑以下在无限过去初始化的AR(2)过程：
在PyMC中分析AR(1)模型
- 07 一月 2023
考虑以下在无限过去初始化的AR(2)过程：
在PyMC中分析AR(1)模型
- 07 一月 2023
考虑以下在无限过去初始化的AR(2)过程：
在PyMC中分析AR(1)模型
- 07 一月 2023
考虑以下在无限过去初始化的AR(2)过程：
多输出高斯过程：使用哈达玛积的核心区域化模型
- 21 十月 2022
本笔记本展示了如何使用Coregion核与输入核之间的哈达玛积来实现固有共区域化模型（ICM）和线性共区域化模型（LCM）。多输出高斯过程在这篇论文中由Bonilla 等人 [2007]讨论。有关ICM和LCM的更多信息，请查看Mauricio Alvarez关于多输出高斯过程的演讲，以及他的幻灯片，最后一页有更多参考资料。
多输出高斯过程：使用哈达玛积的核心区域化模型
- 21 十月 2022
本笔记本展示了如何使用Coregion核与输入核之间的哈达玛积来实现固有共区域化模型（ICM）和线性共区域化模型（LCM）。多输出高斯过程在这篇论文中由Bonilla 等人 [2007]讨论。有关ICM和LCM的更多信息，请查看Mauricio Alvarez关于多输出高斯过程的演讲，以及他的幻灯片，最后一页有更多参考资料。
多输出高斯过程：使用哈达玛积的核心区域化模型
- 21 十月 2022
本笔记本展示了如何使用Coregion核与输入核之间的哈达玛积来实现固有共区域化模型（ICM）和线性共区域化模型（LCM）。多输出高斯过程在这篇论文中由Bonilla 等人 [2007]讨论。有关ICM和LCM的更多信息，请查看Mauricio Alvarez关于多输出高斯过程的演讲，以及他的幻灯片，最后一页有更多参考资料。
多输出高斯过程：使用哈达玛积的核心区域化模型
- 21 十月 2022
本笔记本展示了如何使用Coregion核与输入核之间的哈达玛积来实现固有共区域化模型（ICM）和线性共区域化模型（LCM）。多输出高斯过程在这篇论文中由Bonilla 等人 [2007]讨论。有关ICM和LCM的更多信息，请查看Mauricio Alvarez关于多输出高斯过程的演讲，以及他的幻灯片，最后一页有更多参考资料。
使用带标记的对数高斯Cox过程建模空间点模式
- 31 五月 2022
对数高斯Cox过程（LGCP）是一种用于空间或时间上通常观察到的点模式的概率模型。它有两个主要组成部分。首先，在整个域\(X\)上，使用指数变换的高斯过程对正实数值的潜在强度场\(\lambda(s)\)进行建模，这使得\(\lambda\)保持为正。然后，使用这个强度场来参数化一个泊松点过程，该过程表示在空间中放置点的随机机制。一些适合这种表示的现象包括一个县内癌症病例的发生率，或城市中犯罪事件的时空位置。尽管本教程仅涉及二维空间数据，但在此框架内，空间和时间维度可以等同处理。
使用带标记的对数高斯Cox过程建模空间点模式
- 31 五月 2022
对数高斯Cox过程（LGCP）是一种用于空间或时间上通常观察到的点模式的概率模型。它有两个主要组成部分。首先，在整个域\(X\)上，使用指数变换的高斯过程对正实数值的潜在强度场\(\lambda(s)\)进行建模，这使得\(\lambda\)保持为正。然后，使用这个强度场来参数化一个泊松点过程，该过程表示在空间中放置点的随机机制。一些适合这种表示的现象包括一个县内癌症病例的发生率，或城市中犯罪事件的时空位置。尽管本教程仅涉及二维空间数据，但在此框架内，空间和时间维度可以等同处理。
使用带标记的对数高斯Cox过程建模空间点模式
- 31 五月 2022
对数高斯Cox过程（LGCP）是一种用于空间或时间上通常观察到的点模式的概率模型。它有两个主要组成部分。首先，在整个域\(X\)上，使用指数变换的高斯过程对正实数值的潜在强度场\(\lambda(s)\)进行建模，这使得\(\lambda\)保持为正。然后，使用这个强度场来参数化一个泊松点过程，该过程表示在空间中放置点的随机机制。一些适合这种表示的现象包括一个县内癌症病例的发生率，或城市中犯罪事件的时空位置。尽管本教程仅涉及二维空间数据，但在此框架内，空间和时间维度可以等同处理。
使用带标记的对数高斯Cox过程建模空间点模式
- 31 五月 2022
对数高斯Cox过程（LGCP）是一种用于空间或时间上通常观察到的点模式的概率模型。它有两个主要组成部分。首先，在整个域\(X\)上，使用指数变换的高斯过程对正实数值的潜在强度场\(\lambda(s)\)进行建模，这使得\(\lambda\)保持为正。然后，使用这个强度场来参数化一个泊松点过程，该过程表示在空间中放置点的随机机制。一些适合这种表示的现象包括一个县内癌症病例的发生率，或城市中犯罪事件的时空位置。尽管本教程仅涉及二维空间数据，但在此框架内，空间和时间维度可以等同处理。
使用块更新的Lasso回归
- 10 二月 2022
有时，一起更新一组参数非常有用。例如，高度相关的变量通常适合一起更新。在 PyMC 中，块更新很简单。这将在使用 pymc.sample 的参数 step 时进行演示。
使用块更新的Lasso回归
- 10 二月 2022
有时，一起更新一组参数非常有用。例如，高度相关的变量通常适合一起更新。在 PyMC 中，块更新很简单。这将在使用 pymc.sample 的参数 step 时进行演示。
使用块更新的Lasso回归
- 10 二月 2022
有时，一起更新一组参数非常有用。例如，高度相关的变量通常适合一起更新。在 PyMC 中，块更新很简单。这将在使用 pymc.sample 的参数 step 时进行演示。
使用块更新的Lasso回归
- 10 二月 2022
有时，一起更新一组参数非常有用。例如，高度相关的变量通常适合一起更新。在 PyMC 中，块更新很简单。这将在使用 pymc.sample 的参数 step 时进行演示。