例如:
A B C D result
0.7 0.6 0.5 0.9 good
0.3 0.2 0.1 0.3 bad
0.5 0.0 0.2 0.9 good
.............
是否可以用贝叶斯网络对其进行分析,然后每次得到0.7、0.3、0.6等数据。用户可以得到一个概率的机会,它可能是好的或坏的?
我仍然在学习PYMC3,但是我在文档中找不到关于以下问题的任何信息。考虑没有季节性的贝叶斯结构时间序列模型。这可以在PYMC3中建模,如下所示:
import pymc3, numpy, matplotlib.pyplot
# generate some test data
t = numpy.linspace(0,2*numpy.pi,100)
y_full = numpy.cos(5*t)
y_train = y_full[:90]
y_test = y_full[90:]
# specify the model
with pymc3.Model() as model:
grw =
我正在复制艾伦·唐尼( Allen )在“想想贝斯”(Think)中向pymc3展示的一些例子。
他的伟大著作为我们提供了一些关于贝叶斯方法的介绍性例子,并且是使用Allen自己的库完成的。
有一个“火车问题”,你需要根据你在每列火车上看到的数量来预测一家公司的列车数量(每列列车编号从1到N)。
这个问题的可能性基本上是
def likelihood(self, data, hypo):
if data > hypo:
return 0
return 1/hypo
for data in stream:
for hypo in hypothesi