出版社：人民邮电出版社

ISBN：9787115476173

版次：1

商品编码：12283479

品牌：异步图书

包装：平装

开本：小16开

出版时间：2018-02-01

用纸：纯质纸

页数：216

正文语种：中文

《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 来构建机率模型。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。

第 1章 机率思维——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 机率与不确定性 4

1．2．1 机率分布 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 机率编程——PyMC3 编程指南 27

2．1 机率编程 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 冗余参数和边缘机率分布 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 机率优势 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 与机器学习的联繫 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 皮尔逊相关係数 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 解释多项式回归的係数 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 混淆变数和多余变数 112

4．5．2 多重共线性或相关性太高 115

4．5．3 隐藏的有效变数 117

4．5．4 增加相互作用 120

4．6 glm 模组 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 将逻辑回归模型套用到鸢尾花数据集 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 处理相关变数 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 解释逻辑回归的係数 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——简约性与準确性 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 简洁性与準确性之间的平衡 151

6．2 正则先验 152

6．2．1 正则先验和多层模型 153

6．3 衡量预测準确性 153

6．3．1 交叉验证 154

6．3．2 信息量準则 155

6．3．3 用 PyMC3 计算信息量準则 158

6．3．4 解释和使用信息校準 162

6．3．5 后验预测检查 163

6．4 贝叶斯因子 164

6．4．1 类比信息量準则 166

6．4．2 计算贝叶斯因子 166

6．5 贝叶斯因子与信息量準则 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数 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 基于核函式的模型 196

8．2．1 高斯核函式 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