报告贝叶斯结果

Python 中的贝叶斯数据分析

Michal Oleszak

Machine Learning Engineer

诚实的方式

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")

两条叠加的密度曲线，均为钟形。先验以0为中心，矮而宽；后验约以7为中心，更高更窄。

两条叠加的密度曲线，均为钟形。先验以0为中心，矮而宽；后验约以7为中心，更高更窄。

两条叠加的密度曲线，均为钟形。先验以0为中心，矮而宽；后验约以7为中心，更高更窄。

两条叠加的密度曲线，均为钟形。先验以0为中心，矮而宽；后验约以7为中心，更高更窄。

钟形密度图。

posterior_mean = np.mean(posterior_draws)

钟形密度图，竖线标出其均值。

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

钟形密度图，竖线标出其中位数。

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

钟形密度图，竖线标出其第75百分位。

钟形密度图，两个虚线竖线标出其间的区域。

钟形密度图的GIF：一条水平线在图中下移，线与曲线的交点间的概率质量随之增大。

import arviz as az

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

[-4.86840193  4.96075498]

Python 中的贝叶斯数据分析