- 授权协议: Academic
- 开发语言: Python
- 操作系统: 跨平台
- 软件首页: http://pymc-devs.github.io/pymc/index.html
- 软件文档: http://pymc-devs.github.io/pymc/index.html
软件介绍
PyMC是一个实现贝叶斯统计模型和马尔科夫链蒙塔卡洛采样工具拟合算法的Python库。PyMC的灵活性及可扩展性使得它能够适用于解决各种问题。除了包含核心采样功能,PyMC还包含了统计输出、绘图、拟合优度检验和收敛性诊断等方法。
特性
PyMC使得贝叶斯分析尽可能更加容易。以下是一些PyMC库的特性:
用马尔科夫链蒙特卡洛算法和其他算法来拟合贝叶斯统计分析模型。
包含了大范围的常用统计分布。
尽可能地使用了NumPy的一些功能。
包括一个高斯建模过程的模块。
采样循环可以被暂停和手动调整,或者保存和重新启动。
创建包括表格和图表的摘要说明。
算法跟踪记录可以保存为纯文本,pickles,SQLite或MySQL数据库文档或HDF5文档。
提供了一些收敛性诊断方法。
可扩展性:引入自定义的步骤方法和非常规的概率分布。
MCMC循环可以嵌入在较大的程序中,结果可以使用Python进行分析。
安装
PyMC可以运行在Mac OS X,Linux和Windows系统中。安装一些其他预装库可以更大程度地提高PyMC的性能和功能。
预装库
PyMC的运行要求一些预装库的安装及配置。
使用方法:
1. 模型定义:
# Import relevant modules
import pymc
import numpy as np
# Some data
n = 5*np.ones(4,dtype=int)
x = np.array([-.86,-.3,-.05,.73])
# Priors on unknown parameters
alpha = pymc.Normal('alpha',mu=0,tau=.01)
beta = pymc.Normal('beta',mu=0,tau=.01)
# Arbitrary deterministic function of parameters
@pymc.deterministic
def theta(a=alpha, b=beta):
"""theta = logit^{-1}(a+b)"""
return pymc.invlogit(a+b*x)
# Binomial likelihood for data
d = pymc.Binomial('d', n=n, p=theta, value=np.array([0.,1.,3.,5.]),\
observed=True)调用模型:
import pymc import mymodel S = pymc.MCMC(mymodel, db='pickle') S.sample(iter=10000, burn=5000, thin=2) pymc.Matplot.plot(S)
以上代码运行会产生10000个后验样本。这个样本会存储在Python序列化数据库中。
深入理解C#(第3版)
斯基特 (Jon Skeet) / 姚琪琳 / 人民邮电出版社 / 2014-4-1 / 99.00元
本书是世界顶级技术专家“十年磨一剑”的经典之作,在C#和.NET领域享有盛誉。与其他泛泛介绍C#的书籍不同,本书深度探究C#的特性,并结合技术发展,引领读者深入C#的时空。作者从语言设计的动机出发,介绍支持这些特性的核心概念。作者将新的语言特性放在C#语言发展的背景之上,用极富实际意义的示例,向读者展示编写代码和设计解决方案的最佳方式。同时作者将多年的C#开发经验与读者分享,读者可咀其精华、免走弯......一起来看看 《深入理解C#(第3版)》 这本书的介绍吧!
