ArviZ
| Tipus | biblioteca Python  |
|---|---|
| Versió estable | 0.20.0 (28 setembre 2024)
|
| Llicència | Llicència Apache, versió 2.0 |
| Equip | |
| Desenvolupador(s) | Oriol Abril-Pla (en)  |
| Més informació | |
| Lloc web | python.arviz.org… |
|
| |
ArviZ (/ˈɑːrvɪz/ AR-vees) és un paquet Python per a l'anàlisi exploratòria de models bayesians.[1][2][3] Està dissenyat específicament per treballar amb la sortida de biblioteques de programació probabilística com PyMC, Stan i altres proporcionant un conjunt d'eines per resumir i visualitzar els resultats de la inferència bayesiana d'una manera còmoda i informativa. ArviZ també proporciona una estructura de dades comuna per manipular i emmagatzemar dades que sorgeixen habitualment en l'anàlisi bayesiana, com ara mostres posteriors o dades observades.
ArviZ és un projecte de codi obert, desenvolupat per la comunitat i és un projecte afiliat a NumFOCUS, i s'ha utilitzat per ajudar a interpretar problemes d'inferència en diversos dominis científics, incloent l'astronomia [4] la neurociència,[5] la física[6] i l'estadística.
Etimologia
[modifica]El nom d'ArviZ es deriva de llegir "rvs" (la forma curta de variacions aleatòries) com una paraula en lloc d'escriure-la i també de fer servir la partícula "viz" que s'utilitza habitualment per abreujar la visualització.
Anàlisi exploratòria de models bayesians
[modifica]Quan es treballa amb models bayesians, hi ha una sèrie de tasques relacionades que cal abordar a més de la pròpia inferència:
- Diagnòstics de la qualitat de la inferència, això és necessari quan s'utilitzen mètodes numèrics com les tècniques de Monte Carlo de la cadena de Màrkov
- Crítica del model, incloent avaluacions tant de les suposicions del model com de les prediccions del model
- Comparació de models, inclosa la selecció de models o la mitjana de models
- Preparació dels resultats per a un públic determinat
Totes aquestes tasques formen part de l'enfocament de l'anàlisi exploratòria dels models bayesians, i dur-les a terme amb èxit és fonamental per al procés de modelització iterativa i interactiva. Aquestes tasques requereixen tant resums numèrics com visuals.[7][8][9]
Característiques de la biblioteca
[modifica]- Objecte InferenceData per a la manipulació de dades bayesianes. Aquest objecte es basa en xarray.
- Trama utilitzant dos backends alternatius matplotlib o bokeh.
- Resums numèrics i diagnòstics per als mètodes de Montecarlo de la cadena de Màrkov.
- Integració amb llenguatges de programació probabilístics establerts, incloent; PyStan (la interfície Python de Stan ), PyMC, Edward Pyro, i s'integra fàcilment amb anàlisis bayesianes noves o personalitzades. ArviZ també està disponible a Julia, utilitzant la interfície ArviZ.jl
Referències
[modifica]- ↑ Kumar, Ravin; Carroll, Colin; Hartikainen, Ari; Martin, Osvaldo Journal of Open Source Software, 4, 33, 2019, pàg. 1143. Bibcode: 2019JOSS....4.1143K. DOI: 10.21105/joss.01143 [Consulta: lliure].
- ↑ Martin, Osvaldo. Bayesian Analysis with Python: Introduction to statistical modeling and probabilistic programming using PyMC3 and ArviZ (en anglès). Packt Publishing Ltd, 2018. ISBN 9781789341652.
- ↑ Martin, Osvaldo. Bayesian Modeling and Computation in Python (en anglès). CRC-press, 2021, p. 1–420. ISBN 9780367894368.
- ↑ Farr, Will M.; Fishbach, Maya; Ye, Jiani; Holz, Daniel E. The Astrophysical Journal, 883, 2, 2019, pàg. L42. arXiv: 1908.09084. Bibcode: 2019ApJ...883L..42F. DOI: 10.3847/2041-8213/ab4284 [Consulta: lliure].
- ↑ Busch-Moreno, Simon; Tuomainen, Jyrki; Vinson, David European Journal of Neuroscience, 54, 9, 2021, pàg. 7152–7175. DOI: 10.1111/ejn.15470. PMID: 34553432 [Consulta: lliure].
- ↑ Jovanovski, Petar; Kocarev, Ljupco Chaos: An Interdisciplinary Journal of Nonlinear Science, 29, 10, 2019, pàg. 103142. Bibcode: 2019Chaos..29j3142J. DOI: 10.1063/1.5120503. PMID: 31675792.
- ↑ Gabry, Jonah; Simpson, Daniel; Vehtari, Aki; Betancourt, Michael; Gelman, Andrew Journal of the Royal Statistical Society, Series A (Statistics in Society), 182, 2, 2019, pàg. 389–402. arXiv: 1709.01449. DOI: 10.1111/rssa.12378.
- ↑ Vehtari, Aki; Gelman, Andrew; Simpson, Daniel; Carpenter, Bob; Bürkner, Paul-Christian Bayesian Analysis, 16, 2, 2021, pàg. 667. arXiv: 1903.08008. Bibcode: 2021BayAn..16..667V. DOI: 10.1214/20-BA1221.
- ↑ Martin, Osvaldo. Bayesian Analysis with Python: Introduction to statistical modeling and probabilistic programming using PyMC3 and ArviZ (en anglès). Packt Publishing Ltd, 2018. ISBN 9781789341652.