详细内容或原文请订阅后点击阅览
TensorFlow 上的 Tadpoles：使用 tfprobability 进行分层部分池化
这篇文章首次介绍了使用 tfprobability（TensorFlow Probability (TFP) 的 R 接口）进行 MCMC 建模。我们的示例是一个描述蝌蚪死亡率的多级模型，读者可能从 Richard McElreath 的精彩作品“统计反思”中了解到这一点。
来源:RStudio AI博客在我们讨论技术细节之前：这篇文章当然是献给 McElreath 的，他写了一本我们所知的最有趣的贝叶斯（或者我们应该说 - 科学？）建模书籍。如果您还没有读过《统计再思考》，并且对建模感兴趣，您肯定想看看。在这篇文章中，我们不会尝试重新讲述这个故事：相反，我们的明确重点是演示如何使用 tfprobability 进行 MCMC。
统计再思考 tfprobability具体来说，这篇文章分为两部分。第一部分是如何使用 tfd_joint_sequential_distribution 构建模型，然后使用汉密尔顿蒙特卡洛从中抽样的快速概述。此部分可用于快速查找代码，或作为整个过程的简洁模板。第二部分将更详细地介绍多层模型，展示如何提取、后处理和可视化采样以及诊断输出。
tfd_joint_sequential_distributionReedfrogs
数据来自重新思考包。
重新思考
'data.frame': 48 obs. 5 个变量中的：$ density ：int 10 10 10 10 10 10 10 10 10 10 10 ... $ pred ：具有 2 个水平的因子“no”，“pred”：1 1 1 1 1 1 1 1 2 2 ... $ size ：具有 2 个水平的因子“big”，“small”：1 1 1 1 2 2 2 2 1 1 ... $ surv ：int 9 10 7 10 9 9 10 9 4 9 ... $ propsurv：num 0.9 1 0.7 1 0.9 0.9 1 0.9 0.4 0.9 ...
'data.frame'：48 obs。 5 个变量：$ density : int 10 10 10 10 10 10 10 10 10 10 10 ... $ pred : 因子 w/ 2 水平 "no","pred": 1 1 1 1 1 1 1 1 2 2 ... $ size : 因子 w/ 2 水平 "big","small": 1 1 1 1 2 2 2 2 1 1 ... $ surv : int 9 10 7 10 9 9 10 9 4 9 ... $ propsurv: num 0.9 1 0.7 1 0.9 0.9 1 0.9 0.4 0.9 ...
density
surv
variations cutions
使用构建模型tfd_joint_distribution_sequence
tfd_joint_distribution_sequence
tfd_joint_distribution_sequence
这是模型规范在 Stan 中的样子：
Stan这是 tfd_joint_distribution_sequence：
tfd_joint_distribution_sequence
(
)