معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

abeec: a library to perform approximate bayesian computation

ویژگی	مقدار
سیستم عامل	-
نام فایل	abeec-0.3
نام	abeec
نسخه کتابخانه	0.3
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Nestor Espinoza
ایمیل نویسنده	nespinoza@stsci.edu
آدرس صفحه اصلی	http://github.com/nespinoza/abec
آدرس اینترنتی	https://pypi.org/project/abeec/
مجوز	MIT

# abeec 🐝 --- an ABC sampler ---------------------------------------------------------------- `abeec` is a sampler to perform Approximate Bayesian Computation (ABC) --- i.e., likelihood free posterior inference! It is based on the algorithm presented in [Ishida et al. (2015)](https://arxiv.org/abs/1504.06129). **Author**: Nestor Espinoza (nespinoza@stsci.edu) ## Statement of need While for Cosmological applications an ABC sampler has already been published by the team of Ishida et al (`cosmoabc` --- [check their repository!](https://github.com/COINtoolbox/CosmoABC)), there was a need to develop a more general scheme to allow some flexibility to the sampler. For instance, doing arbitrary prior distributions (e.g., with priors that might be correlated) was not straightforward to implement, as well as have external functions for distances and simulators that could all benefit from a common parallelization scheme. On top of that, I wanted a simple sampler that used the most basic `python` libraries (e.g., `numpy` and `scipy`) at its core. That's where `abeec` comes into place. ## Using the library To perform ABC on a given dataset, you need three ingredients: 1. A `prior` from which to draw points. 2. A `distance` to compute distances from simulated datasets to your dataset. 3. And a `simulator`, to simulate datasets to compare against your dataset. In `abeec`, it is expected the user will provide **_classes_** defining the `prior`, the `distance` and the `simulator`. All the sampler does it take those and apply the iterative importance sampling scheme outlined in [Ishida et al. (2015)](https://arxiv.org/abs/1504.06129), giving back a sample from the posterior. Once those classes are written, one might simply run the sampler as: import abeec from your_script import prior, distance, simulator samples = abeec.sample(prior, distance, simulator) The best is to check the examples under `examples`. ## Installation Installation is as simple as: python setup.py install Or via PyPi: pip install abeec ## Licence and attribution Read the `LICENCE` file for licencing details on how to use the code. If you make use of this code, please cite [Ishida et al. (2015)](https://arxiv.org/abs/1504.06129) and link back to this repository.

نیازمندی

مقدار	نام
-	numpy
-	scipy

زبان مورد نیاز

مقدار	نام
>=3.0	Python

نحوه نصب

نصب پکیج whl abeec-0.3:

pip install abeec-0.3.whl

نصب پکیج tar.gz abeec-0.3:

pip install abeec-0.3.tar.gz