【机器学习】用可视化的方式直观理解Bayesian models

如果你感觉Bayesian models反直觉，不好理解！
本期分享两个工具，利用可视化的直观方式探索贝叶斯模型。

1、Python ArviZ

主要包含以下4方面功能：

• 后验分析，posterior analysis

• 数据存储，data storage

• 样本诊断，sample diagnostics

• 模型比较，model comparison

• 模型检验，Model Checking

以下举例简单介绍，

后验分析，posterior analysis

可以基于matplotlib，

import matplotlib.pyplot as plt
# arviz底层可选matplotlib或者bokeh，此处选matplotlib
import arviz as az
plt.figure(dpi=150)
az.style.use("ggplot")  #类似matplotlib中的plt.style.use

#数据准备
data = az.load_arviz_data("centered_eight")
coords = {"school": ["Choate"]}

# plot_posterior
axes = az.plot_posterior(
    data,
    var_names=["mu", "theta"],
    coords=coords,
    rope=(-1, 1),
    figsize=(11.5, 5),
)

fig = axes.flatten()[0].get_figure()
fig.suptitle("Centered Eight: mu and theta for Choate")

plt.show()

也可以基于Bokeh：Plotting with Bokeh

import arviz as az

data = az.load_arviz_data("centered_eight")

coords = {"school": ["Choate", "Mt. Hermon", "Deerfield"]}

#同样使用plot_posterior
ax = az.plot_posterior(
    data,
    var_names=["mu", "theta"],
    combine_dims={"school"},
    coords=coords,
    backend="bokeh",
)

样本诊断，sample diagnostics

import matplotlib.pyplot as plt
import arviz as az

data = az.load_arviz_data("centered_eight")

coords = {"school": ["Choate", "Deerfield"]}
az.plot_pair(
    data,
    var_names=["theta", "mu", "tau"],
    coords=coords,
    divergences=True,
    textsize=22,
)

plt.show()

模型比较，model comparison

import arviz as az

centered_data = az.load_arviz_data("centered_eight")
non_centered_data = az.load_arviz_data("non_centered_eight")

axes = az.plot_density(
    [centered_data, non_centered_data],
    data_labels=["Centered", "Non-Centered"],
    var_names=["theta"],
    shade=0.2,
)

fig = axes.flatten()[0].get_figure()
fig.suptitle("94% High Density Intervals for Theta")

plt.show()

模型检验，Model Checking

import matplotlib.pyplot as plt
import arviz as az

data = az.load_arviz_data("non_centered_eight")
az.plot_ppc(data, alpha=0.05, kind="cumulative", textsize=14)

plt.show()

2、R bayesplot

主要利用可视化探索马尔科夫链蒙特卡洛方法MCMC拟合后的Bayesian models功能都在下图中了，

-推荐阅读-

往期精彩回顾




适合初学者入门人工智能的路线及资料下载(图文+视频)机器学习入门系列下载机器学习及深度学习笔记等资料打印《统计学习方法》的代码复现专辑机器学习交流qq群955171419，加入微信群请扫码