Python贝叶斯分析
书籍均为精品二手图书品相85品以上，出库会经过高温消毒，书籍上架都会检测可保证正版!!
￥ 14.5 2.1折 ￥ 69 九品
库存2件
天津宝坻
认证卖家担保交易快速发货售后保障
作者Osvaldo Martin
出版社"人民邮电出版社
ISBN9787115476173
出版时间2018
装帧其他
开本16开
纸张胶版纸
定价69元
货号992915610562199554
上书时间2024-08-23
- 在售商品 暂无
- 平均发货时间 14小时
- 好评率 暂无
商品详情
- 品相描述：九品
- 本店所售书籍均精品二手正版书书籍，严格审核品相为85品以上，出库会经过高温消毒，由于成本增加，所售书籍价格略高，运费首本5元，每增加一本运费加2元，每天下午2点前订单一般当天发出，最迟48小时内发出，二手书不保证100%没有任何笔记，有时会出现缺货现象，我们会第一时间告知您，感谢理解与支持。
- 商品描述
-
以下信息以网上匹配仅供参考，不支持以此为由退款
内容简介:
《Python贝叶斯分析》从务实和编程的角度讲解了贝叶斯统计中的主要概念，并介绍了如何使 用流行的 PyMC3 来构建概率模型。阅读本书，读者将掌握实现、检查和扩展贝 叶斯统计模型，从而提升解决一系列数据分析问题的能力。本书不要求读者有任 何统计学方面的基础，但需要读者有使用 Python 编程方面的经验。
目录:
第 1章概率思维——贝叶斯推断指南1
1.1 以建模为中心的统计学 1
1.1.1 探索式数据分析 2
1.1.2 统计推断 3
1.2 概率与不确定性 4
1.2.1 概率分布 6
1.2.2 贝叶斯定理与统计推断 9
1.3 单参数推断 11
1.3.1 抛硬币问题 11
1.3.2 报告贝叶斯分析结果 20
1.3.3 模型注释和可视化 20
1.3.4 总结后验 21
1.4 后验预测检查 24
1.5 安装必要的 Python 库 24
1.6 总结 25
1.7 练习 25
第2章概率编程——PyMC3 编程指南27
2.1 概率编程 27
2.1.1 推断引擎 28
2.2 PyMC3 介绍 40
2.2.1 用计算的方法解决抛硬币问题 40
2.3 总结后验 47
2.3.1 基于后验的决策 48
2.4 总结 50
2.5 深入阅读 50
2.6 练习 51
第3章多参和分层模型53
3.1 冗余参数和边缘概率分布 53
3.2 随处可见的高斯分布 55
3.2.1 高斯推断 56
3.2.2 鲁棒推断 59
3.3 组间比较 64
3.3.1 “小费”数据集 65
3.3.2 Cohen’s d 68
3.3.3 概率优势 69
3.4 分层模型 69
3.4.1 收缩 72
3.5 总结 74
3.6 深入阅读 75
3.7 练习 75
第4章利用线性回归模型理解并预测数据77
4.1 一元线性回归 77
4.1.1 与机器学习的联系 78
4.1.2 线性回归模型的核心 78
4.1.3 线性模型与高自相关性 83
4.1.4 对后验进行解释和可视化 86
4.1.5 皮尔逊相关系数 89
4.2 鲁棒线性回归 95
4.3 分层线性回归 98
4.3.1 相关性与因果性 103
4.4 多项式回归 105
4.4.1 解释多项式回归的系数 107
4.4.2 多项式回归——终极模型？ 108
4.5 多元线性回归 108
4.5.1 混淆变量和多余变量 112
4.5.2 多重共线性或相关性太高 115
4.5.3 隐藏的有效变量 117
4.5.4 增加相互作用 120
4.6 glm 模块 120
4.7 总结 121
4.8 深入阅读 121
4.9 练习 122
第5章利用逻辑回归对结果进行分类123
5.1 逻辑回归 123
5.1.1 逻辑回归模型 125
5.1.2 鸢尾花数据集 125
5.1.3 将逻辑回归模型应用到鸢尾花数据集 128
5.2 多元逻辑回归 131
5.2.1 决策边界 132
5.2.2 模型实现 132
5.2.3 处理相关变量 134
5.2.4 处理类别不平衡数据 135
5.2.5 如何解决类别不平衡的问题 137
5.2.6 解释逻辑回归的系数 137
5.2.7 广义线性模型 138
5.2.8 Softmax 回归或多项逻辑回归 139
5.3 判别式和生成式模型 142
5.4 总结 144
5.5 深入阅读 145
5.6 练习 145
第6章模型比较147
6.1 奥卡姆剃刀——简约性与准确性 147
6.1.1 参数太多导致过拟合 149
6.1.2 参数太少导致欠拟合 150
6.1.3 简洁性与准确性之间的平衡 151
6.2 正则先验 152
6.2.1 正则先验和多层模型 153
6.3 衡量预测准确性 153
6.3.1 交叉验证 154
6.3.2 信息量准则 155
6.3.3 用 PyMC3 计算信息量准则 158
6.3.4 解释和使用信息校准 162
6.3.5 后验预测检查 163
6.4 贝叶斯因子 164
6.4.1 类比信息量准则 166
6.4.2 计算贝叶斯因子 166
6.5 贝叶斯因子与信息量准则 169
6.6 总结 171
6.7 深入阅读 171
6.8 练习 171
第7章混合模型173
7.1 混合模型 173
7.1.1 如何构建混合模型 174
7.1.2 边缘高斯混合模型 180
7.1.3 混合模型与计数类型变量 181
7.1.4 鲁棒逻辑回归 187
7.2 基于模型的聚类 190
7.2.1 固定成分聚类 191
7.2.2 非固定成分聚类 191
7.3 连续混合模型 192
7.3.1 beta- 二项分布与负二项分布 192
7.3.2 t 分布 193
7.4 总结 193
7.5 深入阅读 194
7.6 练习 194
第8章高斯过程195
8.1 非参统计 195
8.2 基于核函数的模型 196
8.2.1 高斯核函数 196
8.2.2 核线性回归 197
8.2.3 过拟合与先验 202
8.3 高斯过程 202
8.3.1 构建协方差矩阵 203
8.3.2 根据高斯过程做预测 207
8.3.3 用 PyMC3 实现高斯过程 211
8.4 总结 215
8.5 深入阅读 216
8.6 练习 216
— 没有更多了 —
以下为对购买帮助不大的评价