베이지안 결과 보고

Python으로 배우는 Bayesian 데이터 분석

Michal Oleszak

Machine Learning Engineer

정직한 방법

posterior_draws

array([8.02800413, 8.97359548, 7.57437476, ..., 5.85264609, 7.92875104,
       7.41463758])

sns.kdeplot(prior_draws, shade=True, label="prior")
sns.kdeplot(posterior_draws, shade=True, label="posterior")

두 개의 밀도 곡선이 겹쳐져 있습니다. 둘 다 종 모양입니다. 사전분포는 0을 중심으로 낮고 넓으며, 사후분포는 약 7을 중심으로 더 높고 좁습니다.

두 개의 밀도 곡선이 겹쳐져 있습니다. 둘 다 종 모양입니다. 사전분포는 0을 중심으로 낮고 넓으며, 사후분포는 약 7을 중심으로 더 높고 좁습니다.

두 개의 밀도 곡선이 겹쳐져 있습니다. 둘 다 종 모양입니다. 사전분포는 0을 중심으로 낮고 넓으며, 사후분포는 약 7을 중심으로 더 높고 좁습니다.

두 개의 밀도 곡선이 겹쳐져 있습니다. 둘 다 종 모양입니다. 사전분포는 0을 중심으로 낮고 넓으며, 사후분포는 약 7을 중심으로 더 높고 좁습니다.

종 모양의 밀도 곡선.

posterior_mean = np.mean(posterior_draws)

종 모양의 밀도 곡선과 평균을 표시하는 수직선.

posterior_mean = np.mean(posterior_draws)
posterior_median = np.median(posterior_draws)

종 모양의 밀도 곡선과 중앙값을 표시하는 수직선.

posterior_mean = np.mean(posterior_draws)
posterior_median = np.median(posterior_draws)
posterior_p75 = np.percentile(posterior_draws, 75)

종 모양의 밀도 곡선과 75백분위를 표시하는 수직선.

종 모양의 밀도 곡선과 두 점선을 사이 구간으로 표시.

종 모양의 밀도 곡선 GIF. 수평선이 아래로 내려가며 교차점 사이의 확률질량 영역이 커집니다.

import arviz as az

hpd = az.hdi(posterior_draws, 
             hdi_prob=0.9)
print(hpd)

[-4.86840193  4.96075498]

Python으로 배우는 Bayesian 데이터 분석