PyMC的概率编程中的贝叶斯加性回归树
项目描述
PyMC的概率编程中的贝叶斯加性回归树
PyMC-BART扩展了PyMC概率编程框架，使其能够定义和解决包括BART随机变量的模型。PyMC-BART还包括一些辅助函数，有助于解释这些模型并进行变量选择。
目录
安装
PyMC-BART可在Conda-Forge上使用。如果您使用Conda管理Python依赖项和环境，这是最佳选择。如果您想在一个单独的环境中轻松使用并隔离设置，也可以选择这种方式安装。这有助于避免与其他项目或系统范围内的Python安装冲突。要设置合适的Conda环境，请运行
conda create --name=pymc-bart --channel=conda-forge pymc-bart
conda activate pymc-bart
或者，您可以使用pip安装。这种安装通常被使用pip（Python的包安装器）的用户所青睐。对于不使用Conda或希望将PyMC-BART安装到由venv或virtualenv管理的虚拟环境中的用户来说，这是最佳选择。在这种情况下，请运行
pip install pymc-bart
如果您想升级到该软件包在GitHub上的最新版本，可以安装
pip install git+https://github.com/pymc-devs/pymc-bart.git
用法
使用PyMC-BART设置BART模型开始
import pymc as pm
import pymc_bart as pmb
X, y = ... # Your data replaces "..."
with pm.Model() as model:
bart = pmb.BART('bart', X, y)
...
idata = pm.sample()
贡献
PyMC-BART是一个社区项目，欢迎贡献力量。更多详细信息请参阅贡献说明
行为准则
PyMC-BART希望保持一个积极的社区。更多详细信息请参阅行为准则
引用
如果您使用PyMC-BART并希望引用它，请使用
以下是在BibTeX格式中的引用
@misc{quiroga2023bayesian,
title={Bayesian additive regression trees for probabilistic programming},
author={Quiroga, Miriana and Garay, Pablo G and Alonso, Juan M. and Loyola, Juan Martin and Martin, Osvaldo A},
year={2023},
doi={10.48550/ARXIV.2206.03619},
archivePrefix={arXiv},
primaryClass={stat.CO}
}
许可
捐赠
PyMC-BART，作为其他pymc-devs项目一样，是NumFOCUS旗下的一项非营利项目。如果您想从财务上支持PyMC-BART，可以在此处捐款。
赞助商
下载文件
下载适合您平台的文件。如果您不确定选择哪个，请了解更多关于安装包的信息。
源代码分发
pymc_bart-0.7.0.tar.gz (35.4 KB 查看哈希值)
构建分发
pymc_bart-0.7.0-py3-none-any.whl (29.7 KB 查看哈希值)
关闭
pymc_bart-0.7.0.tar.gz的哈希值
| 算法 | 哈希摘要 | |
|---|---|---|
| SHA256 | cf421cfebd96053a39222f8090aa58952fbcbb65e1e2fb8d5c70c8dc539af0ec |
|
| MD5 | 858203f798e4ffcac024f8fc43a60b14 |
|
| BLAKE2b-256 | 1db6eb403089664d2915a4b0fdfc98e467ad0683b8e5fc10afd5f93e5f5224dd |
关闭
pymc_bart-0.7.0-py3-none-any.whl的哈希值
| 算法 | 哈希摘要 | |
|---|---|---|
| SHA256 | c7ccd775a9262f0f7253dcbb45ef58f5ee41f474ad5cc1671a452c4604094894 |
|
| MD5 | b225b83b0af177e9913064f38c777fdc |
|
| BLAKE2b-256 | 4d36c65c19eefc4937367e13e92412b6099527ba83bafc32fbabba2029a9520b |
