《Python貝葉斯分析》是一部由[阿根廷] 奧斯瓦爾多·馬丁所編著的書籍，人民郵電出版社出版發行。
基本介紹
- 書名：Python貝葉斯分析
- 作者：[阿根廷] 奧斯瓦爾多·馬丁
- ISBN：9787115476173
- 出版社：人民郵電出版社
出版信息,內容簡介,目錄,
出版信息
- 出版社：人民郵電出版社
- ISBN：9787115476173
- 版次：1
- 商品編碼：12283479
- 品牌：異步圖書
- 包裝：平裝
- 開本：小16開
- 出版時間：2018-02-01
- 用紙：純質紙
- 頁數：216
- 正文語種：中文
內容簡介
《Python貝葉斯分析》從務實和編程的角度講解了貝葉斯統計中的主要概念，並介紹了如何使 用流行的 PyMC3 來構建機率模型。閱讀本書，讀者將掌握實現、檢查和擴展貝 葉斯統計模型，從而提升解決一系列數據分析問題的能力。本書不要求讀者有任 何統計學方面的基礎，但需要讀者有使用 Python 編程方面的經驗。
目錄
第 1章 機率思維——貝葉斯推斷指南 1
1．1 以建模為中心的統計學 1
1．1．1 探索式數據分析 2
1．1．2 統計推斷 3
1．2 機率與不確定性 4
1．2．1 機率分布 6
1．2．2 貝葉斯定理與統計推斷 9
1．3 單參數推斷 11
1．3．1 拋硬幣問題 11
1．3．2 報告貝葉斯分析結果 20
1．3．3 模型注釋和可視化 20
1．3．4 總結後驗 21
1．4 後驗預測檢查 24
1．5 安裝必要的 Python 庫 24
1．6 總結 25
1．7 練習 25
第2章 機率編程——PyMC3 編程指南 27
2．1 機率編程 27
2．1．1 推斷引擎 28
2．2 PyMC3 介紹 40
2．2．1 用計算的方法解決拋硬幣問題 40
2．3 總結後驗 47
2．3．1 基於後驗的決策 48
2．4 總結 50
2．5 深入閱讀 50
2．6 練習 51
第3章 多參和分層模型 53
3．1 冗餘參數和邊緣機率分布 53
3．2 隨處可見的高斯分布 55
3．2．1 高斯推斷 56
3．2．2 魯棒推斷 59
3．3 組間比較 64
3．3．1 “小費”數據集 65
3．3．2 Cohen’s d 68
3．3．3 機率優勢 69
3．4 分層模型 69
3．4．1 收縮 72
3．5 總結 74
3．6 深入閱讀 75
3．7 練習 75
第4章 利用線性回歸模型理解並預測數據 77
4．1 一元線性回歸 77
4．1．1 與機器學習的聯繫 78
4．1．2 線性回歸模型的核心 78
4．1．3 線性模型與高自相關性 83
4．1．4 對後驗進行解釋和可視化 86
4．1．5 皮爾遜相關係數 89
4．2 魯棒線性回歸 95
4．3 分層線性回歸 98
4．3．1 相關性與因果性 103
4．4 多項式回歸 105
4．4．1 解釋多項式回歸的係數 107
4．4．2 多項式回歸——終極模型？ 108
4．5 多元線性回歸 108
4．5．1 混淆變數和多餘變數 112
4．5．2 多重共線性或相關性太高 115
4．5．3 隱藏的有效變數 117
4．5．4 增加相互作用 120
4．6 glm 模組 120
4．7 總結 121
4．8 深入閱讀 121
4．9 練習 122
第5章 利用邏輯回歸對結果進行分類 123
5．1 邏輯回歸 123
5．1．1 邏輯回歸模型 125
5．1．2 鳶尾花數據集 125
5．1．3 將邏輯回歸模型套用到鳶尾花數據集 128
5．2 多元邏輯回歸 131
5．2．1 決策邊界 132
5．2．2 模型實現 132
5．2．3 處理相關變數 134
5．2．4 處理類別不平衡數據 135
5．2．5 如何解決類別不平衡的問題 137
5．2．6 解釋邏輯回歸的係數 137
5．2．7 廣義線性模型 138
5．2．8 Softmax 回歸或多項邏輯回歸 139
5．3 判別式和生成式模型 142
5．4 總結 144
5．5 深入閱讀 145
5．6 練習 145
第6章 模型比較 147
6．1 奧卡姆剃刀——簡約性與準確性 147
6．1．1 參數太多導致過擬合 149
6．1．2 參數太少導致欠擬合 150
6．1．3 簡潔性與準確性之間的平衡 151
6．2 正則先驗 152
6．2．1 正則先驗和多層模型 153
6．3 衡量預測準確性 153
6．3．1 交叉驗證 154
6．3．2 信息量準則 155
6．3．3 用 PyMC3 計算信息量準則 158
6．3．4 解釋和使用信息校準 162
6．3．5 後驗預測檢查 163
6．4 貝葉斯因子 164
6．4．1 類比信息量準則 166
6．4．2 計算貝葉斯因子 166
6．5 貝葉斯因子與信息量準則 169
6．6 總結 171
6．7 深入閱讀 171
6．8 練習 171
第7章 混合模型 173
7．1 混合模型 173
7．1．1 如何構建混合模型 174
7．1．2 邊緣高斯混合模型 180
7．1．3 混合模型與計數類型變數 181
7．1．4 魯棒邏輯回歸 187
7．2 基於模型的聚類 190
7．2．1 固定成分聚類 191
7．2．2 非固定成分聚類 191
7．3 連續混合模型 192
7．3．1 beta- 二項分布與負二項分布 192
7．3．2 t 分布 193
7．4 總結 193
7．5 深入閱讀 194
7．6 練習 194
第8章 高斯過程 195
8．1 非參統計 195
8．2 基於核函式的模型 196
8．2．1 高斯核函式 196
8．2．2 核線性回歸 197
8．2．3 過擬合與先驗 202
8．3 高斯過程 202
8．3．1 構建協方差矩陣 203
8．3．2 根據高斯過程做預測 207
8．3．3 用 PyMC3 實現高斯過程 211
8．4 總結 215
8．5 深入閱讀 216
8．6 練習 216
1．1 以建模為中心的統計學 1
1．1．1 探索式數據分析 2
1．1．2 統計推斷 3
1．2 機率與不確定性 4
1．2．1 機率分布 6
1．2．2 貝葉斯定理與統計推斷 9
1．3 單參數推斷 11
1．3．1 拋硬幣問題 11
1．3．2 報告貝葉斯分析結果 20
1．3．3 模型注釋和可視化 20
1．3．4 總結後驗 21
1．4 後驗預測檢查 24
1．5 安裝必要的 Python 庫 24
1．6 總結 25
1．7 練習 25
第2章 機率編程——PyMC3 編程指南 27
2．1 機率編程 27
2．1．1 推斷引擎 28
2．2 PyMC3 介紹 40
2．2．1 用計算的方法解決拋硬幣問題 40
2．3 總結後驗 47
2．3．1 基於後驗的決策 48
2．4 總結 50
2．5 深入閱讀 50
2．6 練習 51
第3章 多參和分層模型 53
3．1 冗餘參數和邊緣機率分布 53
3．2 隨處可見的高斯分布 55
3．2．1 高斯推斷 56
3．2．2 魯棒推斷 59
3．3 組間比較 64
3．3．1 “小費”數據集 65
3．3．2 Cohen’s d 68
3．3．3 機率優勢 69
3．4 分層模型 69
3．4．1 收縮 72
3．5 總結 74
3．6 深入閱讀 75
3．7 練習 75
第4章 利用線性回歸模型理解並預測數據 77
4．1 一元線性回歸 77
4．1．1 與機器學習的聯繫 78
4．1．2 線性回歸模型的核心 78
4．1．3 線性模型與高自相關性 83
4．1．4 對後驗進行解釋和可視化 86
4．1．5 皮爾遜相關係數 89
4．2 魯棒線性回歸 95
4．3 分層線性回歸 98
4．3．1 相關性與因果性 103
4．4 多項式回歸 105
4．4．1 解釋多項式回歸的係數 107
4．4．2 多項式回歸——終極模型？ 108
4．5 多元線性回歸 108
4．5．1 混淆變數和多餘變數 112
4．5．2 多重共線性或相關性太高 115
4．5．3 隱藏的有效變數 117
4．5．4 增加相互作用 120
4．6 glm 模組 120
4．7 總結 121
4．8 深入閱讀 121
4．9 練習 122
第5章 利用邏輯回歸對結果進行分類 123
5．1 邏輯回歸 123
5．1．1 邏輯回歸模型 125
5．1．2 鳶尾花數據集 125
5．1．3 將邏輯回歸模型套用到鳶尾花數據集 128
5．2 多元邏輯回歸 131
5．2．1 決策邊界 132
5．2．2 模型實現 132
5．2．3 處理相關變數 134
5．2．4 處理類別不平衡數據 135
5．2．5 如何解決類別不平衡的問題 137
5．2．6 解釋邏輯回歸的係數 137
5．2．7 廣義線性模型 138
5．2．8 Softmax 回歸或多項邏輯回歸 139
5．3 判別式和生成式模型 142
5．4 總結 144
5．5 深入閱讀 145
5．6 練習 145
第6章 模型比較 147
6．1 奧卡姆剃刀——簡約性與準確性 147
6．1．1 參數太多導致過擬合 149
6．1．2 參數太少導致欠擬合 150
6．1．3 簡潔性與準確性之間的平衡 151
6．2 正則先驗 152
6．2．1 正則先驗和多層模型 153
6．3 衡量預測準確性 153
6．3．1 交叉驗證 154
6．3．2 信息量準則 155
6．3．3 用 PyMC3 計算信息量準則 158
6．3．4 解釋和使用信息校準 162
6．3．5 後驗預測檢查 163
6．4 貝葉斯因子 164
6．4．1 類比信息量準則 166
6．4．2 計算貝葉斯因子 166
6．5 貝葉斯因子與信息量準則 169
6．6 總結 171
6．7 深入閱讀 171
6．8 練習 171
第7章 混合模型 173
7．1 混合模型 173
7．1．1 如何構建混合模型 174
7．1．2 邊緣高斯混合模型 180
7．1．3 混合模型與計數類型變數 181
7．1．4 魯棒邏輯回歸 187
7．2 基於模型的聚類 190
7．2．1 固定成分聚類 191
7．2．2 非固定成分聚類 191
7．3 連續混合模型 192
7．3．1 beta- 二項分布與負二項分布 192
7．3．2 t 分布 193
7．4 總結 193
7．5 深入閱讀 194
7．6 練習 194
第8章 高斯過程 195
8．1 非參統計 195
8．2 基於核函式的模型 196
8．2．1 高斯核函式 196
8．2．2 核線性回歸 197
8．2．3 過擬合與先驗 202
8．3 高斯過程 202
8．3．1 構建協方差矩陣 203
8．3．2 根據高斯過程做預測 207
8．3．3 用 PyMC3 實現高斯過程 211
8．4 總結 215
8．5 深入閱讀 216
8．6 練習 216
