ArviZ ( ) és un paquet Python per a l'anàlisi exploratòria de models bayesians. 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 la neurociència, la física i l'estadística.
Etimologia 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 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.
Característiques de la biblioteca 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
Categoria:Probabilitat