共计 3501 个字符，预计需要花费 9 分钟才能阅读完成。
原文链接：http://tecdat.cn/?p=2857
原文出处：拓端数据部落公众号
本文是通过对 area,perimeter,campactness 几个变量的贝叶斯建模, 来查看他们对 groovelength 这个变量的影响.
并且比照 rjags R2jags 和内置贝叶斯预测函数的后果。
读取数据
seed=read.csv("seeds_dataset.csv")
seed=seed\[,1:7\]查看数据的构造
str(seed)
'data.frame': 209 obs. of 7 variables:
$ area : num 14.9 14.3 13.8 16.1 14.4 ...
$ perimeter : num 14.6 14.1 13.9 15 14.2 ...
$ campactness : num 0.881 0.905 0.895 0.903 0.895 ...
$ length : num 5.55 5.29 5.32 5.66 5.39 ...
$ width : num 3.33 3.34 3.38 3.56 3.31 ...
$ asymmetry : num 1.02 2.7 2.26 1.35 2.46 ...
$ groovelength: num 4.96 4.83 4.8 5.17 4.96 ...建设回归模型
Residuals:
Min 1Q Median 3Q Max
-0.66375 -0.10094 0.00175 0.11081 0.45132
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 19.46173 2.45031 7.943 1.29e-13 ***
area 0.49724 0.08721 5.701 4.10e-08 ***
perimeter -0.63162 0.18179 -3.474 0.000624 ***
campactness -14.05218 1.34325 -10.461 < 2e-16 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
Residual standard error: 0.1608 on 205 degrees of freedom
Multiple R-squared: 0.895, Adjusted R-squared: 0.8934
F-statistic: 582.4 on 3 and 205 DF, p-value: < 2.2e-16从回归模型的后果来看，三个自变量对因变量都有显著的意义。其中，area 有正向的影响。而其余两个变量是负向的影响。从 r 方的后果来看，达到了 0.895，模型具备较好的解释度。
建设贝叶斯回归模型
Bayesian analysis
With bayesglm
Deviance Residuals:
Min 1Q Median 3Q Max
-0.66331 -0.09974 -0.00002 0.11110 0.44841
Coefficients:
Estimate Std. Error t value Pr(>|t|)
(Intercept) 18.90538 2.41549 7.827 2.63e-13 ***
area 0.47826 0.08604 5.559 8.40e-08 ***
perimeter -0.59252 0.17937 -3.303 0.00113 **
campactness -13.74353 1.32463 -10.375 < 2e-16 ***
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
(Dispersion parameter for gaussian family taken to be 0.02584982)
Null deviance: 50.4491 on 208 degrees of freedom
Residual deviance: 5.2992 on 205 degrees of freedom
AIC: -164.91
Number of Fisher Scoring iterations: 6 从内置贝叶斯模型的后果来看，3 个变量同样是十分显著，因而模型的后果和回归模型相似。而后咱们应用 BUGS/JAGS 软件包来建设贝叶斯模型
应用 BUGS/JAGS 软件包来建设贝叶斯模型
建设贝叶斯模型
jags(model.file='bayes.bug',
parameters=c("area","perimeter","campactness","int"),
data = list('a' = seed$area, 'b' = seed$perimete
n.cha查看模型后果：
module glm loaded
Compiling model graph
Resolving undeclared variables
Allocating nodes
Graph information:
Observed stochastic nodes: 209
Unobserved stochastic nodes: 5
Total graph size: 1608
Initializing model
bb <- jags1$BUGSoutput 提取“BUGS 输入”mm <- as.mcmc.bugs(bb) 将其转换为 coda 能够解决的“mcmc”对象
plot(jags1) 绘制图像
从下面的图中，咱们能够看到自变量的中位数和置信区间。从置信区间来看，各个变量的取值和贝叶斯模型的后果相似。贝叶斯后果的值全副落入在了置信区间内。
而后绘制每次迭代中各个变量参数的轨迹图
trace + density #轨迹图
能够看到每个变量的参数都在肯定区间内稳定。同时能够看到误差在肯定的迭代次数之后趋于收敛。
而后绘制每个变量参数的密度图 prettier density plot
能够看到每个变量的参数的密度散布近似于正态分布。同时咱们能够看到散布的均值和贝叶斯模型，失去的后果相似。
而后绘制每个变量参数的置信区间 estimate + credible interval plot
从后果来看，能够看到各个变量参数的置信区间，campatness 和 int 的置信区间较大，而其余两个变量的置信区间较小。
从下面的试验后果比照，咱们能够看到，三个自变量对因变量均有重要的影响。area,perimeter,campactness 几个变量他们对 groovelength 这个变量均有重要的影响。同时咱们能够认为回归模型的后果和贝叶斯模型的后果类似。而后咱们应用 rjags&R2jags 软件包来对数据进行贝叶斯型的建设，从后果来看，同样和之前失去的模型后果相差不大。并且咱们通过模型的迭代，能够失去每个参数的置信区间。
最受欢迎的见解
1.matlab 应用贝叶斯优化的深度学习
2.matlab 贝叶斯隐马尔可夫 hmm 模型实现
3.R 语言 Gibbs 抽样的贝叶斯简略线性回归仿真
4.R 语言中的 block Gibbs 吉布斯采样贝叶斯多元线性回归
5.R 语言中的 Stan 概率编程 MCMC 采样的贝叶斯模型
6.Python 用 PyMC3 实现贝叶斯线性回归模型
7.R 语言应用贝叶斯 层次模型进行空间数据分析
8.R 语言随机搜寻变量抉择 SSVS 预计贝叶斯向量自回归（BVAR）模型
9.matlab 贝叶斯隐马尔可夫 hmm 模型实现
