📑 Table of Contents▼
ArviZ
Información general
Tipo de programa biblioteca de Python
Autor ArviZ Development Team
Desarrollador ArviZ Development Team
Modelo de desarrollo Código abierto
Lanzamiento inicial 21 de julio de 2018
Licencia Apache 2 0 License
Versiones
Última versión estable 1.2.012 de junio de 2026
Enlaces
[editar datos en Wikidata]

ArviZ ( /ˈɑːrvɪz/) es un paquete de Python para el análisis exploratorio de modelos bayesianos . [1]​ [2]​ [3]​ Está diseñado para trabajar con la salida de bibliotecas de programación probabilística como PyMC, Stan, numpyro, entre otras, proporcionando un conjunto de herramientas para resumir, visualizar y procesar los resultados de la inferencia bayesiana de una manera conveniente. ArviZ también proporciona una estructura de datos común para manipular y almacenar datos que surgen comúnmente en el análisis bayesiano, como muestras de la distribución a posteriori, a posteriori predictiva, datos observados, etc.

ArviZ es un proyecto de código abierto, desarrollado por la comunidad y es un proyecto afiliado a NumFOCUS . [4]​Se ha utilizado para ayudar a interpretar problemas de inferencia en varios dominios científicos, incluida la astronomía, [5]​ la neurociencia, [6]​ la física [7]​ y la estadística.

Etimología

editar

El nombre ArviZ se deriva de la lectura en inglés de "rvs" (la forma abreviada de variante aleatorias) como palabra en lugar de escribirla, y también del uso de la partícula "viz", que suele utilizarse para referirse a visualización.


Análisis exploratorio de modelos bayesianos

editar

Al trabajar con modelos bayesianos, es necesario abordar una serie de tareas relacionadas, más allá de la propia inferencia:

  • Diagnóstico de la calidad de la inferencia, necesario al utilizar métodos numéricos como Monte Carlo (MCMC) vía cadena de Markov
  • Crítica del modelo, incluyendo evaluaciones tanto de sus supuestos como de sus predicciones
  • Comparación de modelos, incluyendo su selección o promedio
  • Preparación de los resultados para un público específico

Todas estas tareas forman parte del análisis exploratorio de modelos bayesianos, y su correcta ejecución es fundamental para el proceso de modelado iterativo e interactivo. Estas tareas requieren resúmenes tanto numéricos como visuales. [8]​[9]​[10]​[11]​

Características de la biblioteca

editar
  • Objeto InferenceData para la manipulación de datos bayesianos. Este objeto se basa en xarray
  • Gráficos utilizando dos backends alternativos matplotlib o bokeh
  • Resúmenes numéricos y diagnósticos para métodos de MCMC.
  • Integración con lenguajes de programación probabilísticos consolidados, incluyendo: CmdStanPy (la interfaz Python de Stan), PyMC,[12]​Edward[13]​ Pyro,[14]​ y se integra fácilmente con análisis bayesianos novedosos o personalizados. ArviZ también está disponible en Julia, utilizando la interfaz ArviZ.jl

Referencias

editar
  1. ↑ Kumar, Ravin; Carroll, Colin; Hartikainen, Ari; Martin, Osvaldo (2019). «ArviZ a unified library for exploratory analysis of Bayesian models in Python». Journal of Open Source Software 4 (33): 1143. Bibcode:2019JOSS....4.1143K. doi:10.21105/joss.01143. 
  2. ↑ Martin, Osvaldo (2024). Bayesian Analysis with Python - Third Edition: A practical guide to probabilistic modeling (en inglés). Packt Publishing Ltd. ISBN 9781805127161. 
  3. ↑ Martin, Osvaldo; Kumar, Ravin; Lao, Junpeng (2021). Bayesian Modeling and Computation in Python (en inglés). CRC-press. pp. 1-420. ISBN 9780367894368. Consultado el 7 de julio de 2022. 
  4. ↑ «NumFOCUS Affiliated Projects». NumFOCUS | Open Code = Better Science. Consultado el 30 de noviembre de 2019. 
  5. ↑ Farr, Will M.; Fishbach, Maya; Ye, Jiani; Holz, Daniel E. (2019). «A Future Percent-level Measurement of the Hubble Expansion at Redshift 0.8 with Advanced LIGO». The Astrophysical Journal 883 (2): L42. Bibcode:2019ApJ...883L..42F. arXiv:1908.09084. doi:10.3847/2041-8213/ab4284. 
  6. ↑ Busch-Moreno, Simon; Tuomainen, Jyrki; Vinson, David (2021). «Trait anxiety effects on late phase threatening speech processing: Evidence from electroencephalography». European Journal of Neuroscience 54 (9): 7152-7175. PMID 34553432. doi:10.1111/ejn.15470. 
  7. ↑ Jovanovski, Petar; Kocarev, Ljupco (2019). «Bayesian consensus clustering in multiplex networks». Chaos: An Interdisciplinary Journal of Nonlinear Science 29 (10): 103142. Bibcode:2019Chaos..29j3142J. PMID 31675792. doi:10.1063/1.5120503. 
  8. ↑ Gabry, Jonah; Simpson, Daniel; Vehtari, Aki; Betancourt, Michael; Gelman, Andrew (2019). «Visualization in Bayesian workflow». Journal of the Royal Statistical Society, Series A (Statistics in Society) 182 (2): 389-402. S2CID 26590874. arXiv:1709.01449. doi:10.1111/rssa.12378. 
  9. ↑ Vehtari, Aki; Gelman, Andrew; Simpson, Daniel; Carpenter, Bob; Bürkner, Paul-Christian (2021). «Rank-Normalization, Folding, and Localization: An Improved Rˆ for Assessing Convergence of MCMC (With Discussion)». Bayesian Analysis 16 (2): 667. Bibcode:2021BayAn..16..667V. S2CID 88522683. arXiv:1903.08008. doi:10.1214/20-BA1221. 
  10. ↑ Martin, Osvaldo (2018). Bayesian Analysis with Python: Introduction to statistical modeling and probabilistic programming using PyMC3 and ArviZ (en inglés). Packt Publishing Ltd. ISBN 9781789341652. 
  11. ↑ Gelman, Andrew; Carlin, John B.; Stern, Hal S.; Dunson, David B.; Vehtari, Aki; Rubin, Donald B. (2013). Bayesian Data Analysis (Third edición). Chapman and Hall/CRC. ISBN 978-1-4398-4095-5. 
  12. ↑ Abril-Pla O, Andreani V, Carroll C, Dong L, Fonnesbeck CJ, Kochurov M, Kumar R, Lao J, Luhmann CC, Martin OA, Osthege M, Vieira R, Wiecki T, Zinkov R. (2023) PyMC: a modern, and comprehensive probabilistic programming framework in Python. PeerJ Comput. Sci. 9:e1516 doi 10.7717/peerj-cs.1516
  13. ↑ Tran, Dustin; Kucukelbir, Alp; Dieng, Adji B.; Rudolph, Maja; Liang, Dawen; Blei, David M. Edward: A library for probabilistic modeling, inference, and criticism (2016). arXiv:1610.09787  [stat.CO]. 
  14. ↑ Bingham, Eli; Chen, Jonathan P.; Jankowiak, Martin; Obermeyer, Fritz; Pradhan, Neeraj; Karaletsos, Theofanis; Singh, Rohit; Szerlip, Paul et ál. (2018). «Pyro: Deep Universal Probabilistic Programming». arXiv:1810.09538  [cs.LG]. 

Enlaces externos

editar

📚 Artikel Terkait di Wikipedia

PyMC

Davidson-Pilon, Cameron (30 de septiembre de 2015). Bayesian Methods for Hackers: Probabilistic Programming and Bayesian Inference (en inglés). Addison-Wesley Professional

Programación probabilística

Predicting Drug-Induced Liver Injury with Bayesian Machine Learning, 2019 . ∂P: A Differentiable Programming System to Bridge Machine Learning and Scientific

Maldición de la dimensión

de la dimensión también ha dificultado la aplicación de la estadística bayesiana: obliga a que la distribución posterior tenga demasiados parámetros. Este

Estimación máxima a posteriori

procedimiento de estimación que a menudo se considera parte de las estadísticas bayesianas es la estimación máxima a posteriori ( MAP, por sus siglas en inglés:

Sistema experto

Reasoning). Basados en casos o CBR (Case Based Reasoning). Basados en redes bayesianas. En cada uno de ellos, la solución a un problema planteado se obtiene:

Optimización (matemática)

Multiplicadores de Lagrange Optimización bayesiana "The Nature of Mathematical Programming," Mathematical Programming Glossary, INFORMS Computing Society.

David Blackwell

de texto. Escribió uno de los primeros libros de texto de estadística bayesiana, su Estadística básica de 1969. Cuando se jubiló, había publicado más

Programación lógica inductiva

procedimiento de subsunción inversa extendida.​ 1BC y 1BC2: clasificadores bayesianos "ingenuos" de primer orden: ACE (un motor combinado) Aleph Atom Archivado