
LazyPPL:支持惰性求值的 Haskell 贝叶斯概率编程库
来源标题:LazyPPL – Laziness for Bayesian Nonparametrics
LazyPPL 是一个 Haskell 库,用于贝叶斯概率编程,支持概率的惰性使用,并提供新的 Metropolis-Hastings 算法来实现这一点。该库受准 Borel 空间和 Markov 范畴等合成概率论与测度论思想启发,其惰性范式被认为适合非参数统计。LazyPPL 还借鉴了 Church、Anglican 和 MonadBayes 等语言,部分特性已被纳入 MonadBayes。
以下正文由 AI 翻译自 Hacker News 最新(原文版权归原站所有),可能存在偏差,重要内容请以原文为准。
LazyPPL 是一个用于贝叶斯概率编程的 Haskell 库。它支持概率的惰性使用,我们为此提供了新的 Metropolis-Hastings 算法。LazyPPL 受合成概率论与合成测度论近期思想的启发,例如 quasi-Borel 空间和 Markov 范畴。惰性似乎是 Non-parametric 统计的一个良好范式。LazyPPL 受到许多其他语言的启发,包括 Church、Anglican 和 MonadBayes。若干方面现已并入 MonadBayes(见此处)。 在浏览器中试用 均匀抽取 u到达时间 t01∞[0,1] 上的泊松过程,惰性采样。每次抽取 u 成为一个间隔 −lnu。 复制 splice :: Prob [Double] -> Prob (Double -> Double) -> Prob (Double -> Double)splice pointProcess randomFun = do xs <- pointProcess fs <- mapM (const randomFun) xs default_f <- randomFun let h :: [(Double, Double -> Double)] -> Double -> Double h [] x = default_f x h ((a, f) : xfs) x | x <= a = f x h ((a, f) : xfs) x | x > a = h xfs x return (h (zip xs fs))poissonPP :: Double -> Double -> Prob [Double]poissonPP lower rate = do step <- exponential rate let x = lower + step xs <- poissonPP x rate return (x : xs)regress 0.1 (splice (poissonPP 0 0.1) linear) 分段线性回归 随机种子 运行泊松模拟取消重试 就绪。 泊松模拟频率运行模拟以统计单位区间内的点数。查看完整尺寸图表数值结果在表格内滚动以查看更多数值。 运行回归取消重试 就绪。 后验回归函数与观测运行回归以绘制后验预测分布。95% 预测区间 对数似然 低 高 观测 查看完整尺寸图表数值结果在表格内滚动以查看更多数值。 运行高斯过程取消重试 就绪。 高斯过程后验函数运行高斯过程以绘制函数和观测。对数似然 低 高 观测 查看完整尺寸图表数值结果在表格内滚动以查看更多数值。 运行维纳过程取消重试 就绪。 维纳过程后验函数运行维纳过程以绘制函数和观测。对数似然 低 高 观测 查看完整尺寸图表数值结果在表格内滚动以查看更多数值。 运行聚类取消重试 就绪。 簇分配与中心运行聚类以对观测进行分组。查看完整尺寸图表数值结果在表格内滚动以查看更多数值。 运行关系推断取消重试 就绪。 同组概率运行推断以比较成对的人。查看完整尺寸图表数值结果在表格内滚动以查看更多数值。 运行程序归纳取消重试 就绪。 后验程序与观测运行程序归纳以绘制推断出的函数。后验程序(行) 观测 查看完整尺寸图表数值结果在表格内滚动以查看更多数值。 运行特征发现取消重试 就绪。 推断出的国家特征运行特征发现以绘制特征矩阵。查看完整尺寸图表数值结果在表格内滚动以查看更多数值。 运行图推断取消重试 就绪。 采样图边运行图推断以绘制采样图。查看完整尺寸图表数值结果在表格内滚动以查看更多数值。 运行 Mondrian 过程取消重试 就绪。 随机 Mondrian 划分运行该过程以绘制其区块。查看完整尺寸图表数值结果在表格内滚动以查看更多数值。 运行分段回归取消重试 就绪。 分段后验函数与观测运行回归以绘制分段线性后验函数。对数似然 低 高 观测 查看完整尺寸图表数值结果在表格内滚动以查看更多数值。 上一张幻灯片下一张幻灯片 线性与分段回归 高斯过程回归 维纳过程回归 Non-parametric 聚类 无限关系模型 程序归纳 使用 Indian Buffet Process 进行特征发现 图推断 完整示例 所有示例 惰性让我们能够清晰地指定 Non-parametric 模型:过程或无限维函数只具体化其被探索的有限部分。 从简单的贝叶斯线性回归开始,然后使用泊松点过程扩展到分段模型。 使用维纳过程先验对时间序列建模,以获得连续、处处不可微的随机函数。 使用概率程序归纳推断能够解释观测数据的算术表达式。 Dirichlet Process 混合模型,可自动发现簇的数量。 概率测度,支持诸如 uniform :: Prob Double、normal :: Double -> Double -> Prob Double、bernoulli :: Double -> Prob Bool 等概率测度。这是惰性的,换句话说它是一个仿射 monad。 未归一化测度,用于贝叶斯统计的 Monte Carlo 模拟中。有两个关键函数:
正文由 探How 从来源站点 RSS 同步,内容未经改写;遇到排版缺失或需要图片、视频时请以原文为准。