Kas ir probabilistiskā programmēšana (PyMC, Stan, NumPyro)?

Gadījumu programmēšana ir pieeja programmēšanai, kas ļauj aprakstīt statistiskos modeļus un automātiski veikt secinājumus par parametru varbūtības sadalījumiem, balstoties uz datiem. Frameworki kā PyMC, Stan, NumPyro nodrošina rīkus modeļu ar nenoteiktībām definēšanai un bayesiskai secināšanai.

Galvenā ideja ir tāda, ka vietā, lai izmantotu fiksētas vērtības modeļa parametros, tiek piešķirti varbūtības sadalījumi, un pēc tam, izmantojot tādas metodes kā MCMC (Markov Chain Monte Carlo) vai variācijas metodes, tiek aprēķināti parametru posteriori sadalījumi.

Tas ir īpaši noderīgi uzdevumos, kur ir svarīgi ņemt vērā nenoteiktību, piemēram, bayesiskajā optimizācijā (BO), Gausa procesos (GP) un citās mašīnmācīšanās jomās.

Piemērs: PyMC var definēt modeli ar normālo sadalījumu parametram un novērotiem datiem, un pēc tam iegūt parametra sadalījumu:

import pymc as pm
import numpy as np

with pm.Model() as model:
    mu = pm.Normal('mu', mu=0, sigma=1)
    obs = pm.Normal('obs', mu=mu, sigma=1, observed=np.array([1.0, 2.0, 1.5]))
    trace = pm.sample()

pm.plot_posterior(trace, var_names=['mu'])

Tādējādi, probabilistiskais programmēšana atvieglo sarežģītu statistisko modeļu būvniecību un secinājumu iegūšanu, ņemot vērā nenoteiktību.