Python贝叶斯分析(第2版)电子书

内 容 提 要

序 言

前 言

作者简介

英文版审校者简介

致 谢

服务与支持

第1章 概率思维

1.1 统计学、模型以及本书采用的方法

1.1.1 与数据打交道

1.1.2 贝叶斯建模

1.2 概率论

1.2.1 解释概率

1.2.2 定义概率

1.3 单参数推断

抛硬币问题

1.4 报告贝叶斯分析结果

1.4.1 模型表示和可视化

1.4.2 总结后验

1.5 后验预测检查

1.6 总结

1.7 练习

第2章 概率编程

2.1 简介

2.2 PyMC3指南

用PyMC3解决抛硬币问题

2.3 总结后验

基于后验的决策

2.4 随处可见的高斯分布

2.4.1 高斯推断

2.4.2 鲁棒推断

2.5 组间比较

2.5.1 Cohen’s d

2.5.2 概率优势

2.5.3 “小费”数据集

2.6 分层模型

2.6.1 收缩

2.6.2 额外的例子

2.7 总结

2.8 练习

第3章 线性回归建模

3.1 一元线性回归

3.1.1 与机器学习的联系

3.1.2 线性回归模型的核心

3.1.3 线性模型与高自相关性

3.1.4 对后验进行解释和可视化

3.1.5 皮尔逊相关系数

3.2 鲁棒线性回归

3.3 分层线性回归

相关性与因果性

3.4 多项式回归

3.4.1 解释多项式回归的系数

3.4.2 多项式回归——终极模型

3.5 多元线性回归

3.5.1 混淆变量和多余变量

3.5.2 多重共线性或相关性太高

3.5.3 隐藏效果变量

3.5.4 增加相互作用

3.5.5 变量的方差

3.6 总结

3.7 练习

第4章 广义线性模型

4.1 简介

4.2 逻辑回归

4.2.1 逻辑回归模型

4.2.2 鸢尾花数据集

4.3 多元逻辑回归

4.3.1 决策边界

4.3.2 模型实现

4.3.3 解释逻辑回归的系数

4.3.4 处理相关变量

4.3.5 处理不平衡分类

4.3.6 softmax回归

4.3.7 判别式模型和生成式模式

4.4 泊松回归

4.4.1 泊松分布

4.4.2 零膨胀泊松模型

4.4.3 泊松回归和ZIP回归

4.5 鲁棒逻辑回归

4.6 GLM模型

4.7 总结

4.8 练习

第5章 模型比较

5.1 后验预测检查

5.2 奥卡姆剃刀原理——简单性和准确性

5.2.1 参数过多会导致过拟合

5.2.2 参数太少会导致欠拟合

5.2.3 简单性与准确性之间的平衡

5.2.4 预测精度度量

5.3 信息准则

5.3.1 对数似然和偏差

5.3.2 赤池信息量准则

5.3.3 广泛适用的信息准则

5.3.4 帕累托平滑重要性采样留一法交叉验证

5.3.5 其他信息准则

5.3.6 使用PyMC3比较模型

5.3.7 模型平均

5.4 贝叶斯因子

5.4.1 一些讨论

5.4.2 贝叶斯因子与信息准则

5.5 正则化先验

5.6 深入WAIC

5.6.1 熵

5.6.2 KL散度

5.7 总结

5.8 练习

第6章 混合模型

6.1 简介

6.2 有限混合模型

6.2.1 分类分布

6.2.2 狄利克雷分布

6.2.3 混合模型的不可辨识性

6.2.4 怎样选择K

6.2.5 混合模型与聚类

6.3 非有限混合模型

狄利克雷过程

6.4 连续混合模型

6.4.1 贝塔-二项分布和负二项分布

6.4.2 t分布

6.5 总结

6.6 练习

第7章 高斯过程

7.1 线性模型和非线性数据

7.2 建模函数

7.2.1 多元高斯函数

7.2.2 协方差函数与核函数

7.3 高斯过程回归

7.4 空间自相关回归

7.5 高斯过程分类

7.6 Cox过程

7.6.1 煤矿灾害

7.6.2 红杉数据集

7.7 总结

7.8 练习

第8章 推断引擎

8.1 简介

8.2 非马尔可夫方法

8.2.1 网格计算

8.2.2 二次近似法

8.2.3 变分法

8.3 马尔可夫方法

8.3.1 蒙特卡洛

8.3.2 马尔可夫链

8.3.3 梅特罗波利斯-黑斯廷斯算法

8.3.4 哈密顿蒙特卡洛

8.3.5 序贯蒙特卡洛

8.4 样本诊断

8.4.1 收敛

8.4.2 蒙特卡洛误差

8.4.3 自相关

8.4.4 有效样本量

8.4.5 分歧

8.5 总结

8.6 练习

第9章 拓展学习