ArviZ () es un paquete de Python para el análisis exploratorio de modelos bayesianos . Está diseñado para trabajar con la salida de bibliotecas de programación probabilística como PyMC, Stan, numpyro, entre otras, proporcionando un conjunto de herramientas para resumir, visualizar y procesar los resultados de la inferencia bayesiana de una manera conveniente. ArviZ también proporciona una estructura de datos común para manipular y almacenar datos que surgen comúnmente en el análisis bayesiano, como muestras de la distribución a posteriori, a posteriori predictiva, datos observados, etc.
ArviZ es un proyecto de código abierto, desarrollado por la comunidad y es un proyecto afiliado a NumFOCUS . Se ha utilizado para ayudar a interpretar problemas de inferencia en varios dominios científicos, incluida la astronomía, la neurociencia, la física y la estadística.
Etimología El nombre ArviZ se deriva de la lectura en inglés de "rvs" (la forma abreviada de variante aleatorias) como palabra en lugar de escribirla, y también del uso de la partícula "viz", que suele utilizarse para referirse a visualización.
Análisis exploratorio de modelos bayesianos
Al trabajar con modelos bayesianos, es necesario abordar una serie de tareas relacionadas, más allá de la propia inferencia:
Diagnóstico de la calidad de la inferencia, necesario al utilizar métodos numéricos como Monte Carlo (MCMC) vía cadena de Markov Crítica del modelo, incluyendo evaluaciones tanto de sus supuestos como de sus predicciones Comparación de modelos, incluyendo su selección o promedio Preparación de los resultados para un público específico
Todas estas tareas forman parte del análisis exploratorio de modelos bayesianos, y su correcta ejecución es fundamental para el proceso de modelado iterativo e interactivo. Estas tareas requieren resúmenes tanto numéricos como visuales.
Características de la biblioteca Objeto InferenceData para la manipulación de datos bayesianos. Este objeto se basa en xarray Gráficos utilizando dos backends alternativos matplotlib o bokeh Resúmenes numéricos y diagnósticos para métodos de MCMC. Integración con lenguajes de programación probabilísticos consolidados, incluyendo: CmdStanPy (la interfaz Python de Stan), PyMC,Abril-Pla O, Andreani V, Carroll C, Dong L, Fonnesbeck CJ, Kochurov M, Kumar R, Lao J, Luhmann CC, Martin OA, Osthege M, Vieira R, Wiecki T, Zinkov R. (2023) PyMC: a modern, and comprehensive probabilistic programming framework in Python. PeerJ Comput. Sci. 9:e1516 Edward Pyro, y se integra fácilmente con análisis bayesianos novedosos o personalizados. ArviZ también está disponible en Julia, utilizando la interfaz ArviZ.jl
Referencias
Enlaces externos
Categoría:Matemáticas computacionales