معرفی شرکت ها
bqme-0.2.0
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 بیشترتوضیحات
Bayesian Quanile Matching Estimation
| ویژگی | مقدار |
|---|---|
| سیستم عامل | - |
| نام فایل | bqme-0.2.0 |
| نام | bqme |
| نسخه کتابخانه | 0.2.0 |
| نگهدارنده | [] |
| ایمیل نگهدارنده | [] |
| نویسنده | Rajbir Singh Nirwan |
| ایمیل نویسنده | rajbir.nirwan@gmail.com |
| آدرس صفحه اصلی | https://github.com/RSNirwan/BQME |
| آدرس اینترنتی | https://pypi.org/project/bqme/ |
| مجوز | - |
# Bayesian Quantile Matching Estimation using Order Statistics
[](https://bqme.readthedocs.io/en/develop/?badge=develop)
[](https://github.com/rsnirwan/bqme/actions)
[](https://github.com/rsnirwan/bqme/actions)
[](https://codecov.io/gh/RSNirwan/bqme)
BQME is a package that allows users to fit a distribution to observed quantile data. The package uses Order Statistics as the noise model, which is more robust than e.g. Gaussian noise model (mean squared error). The paper describing the theory can be found on arxiv: [https://arxiv.org/abs/2008.06423](https://arxiv.org/abs/2008.06423). The notebooks for the experiments in the paper are moved to [https://github.com/RSNirwan/BQME_experiments](https://github.com/RSNirwan/BQME_experiments).
BQME generates stan-code that implements the matching and then uses stan's `sampling` and `optimizing` functions for posterior samples and MAP estimate, respectively.
## Install
Install latest release via `pip`
```shell
pip install bqme
```
For latest development version clone the repository and install via pip
```shell
git clone https://github.com/RSNirwan/bqme
cd bqme
pip install .
```
Install with dev dependencies
```shell
git clone https://github.com/RSNirwan/bqme
cd bqme
pip install -e .[dev]
```
if using ZSH, do the following `pip install -e ".[dev]"`
## Usage
Here, we fit a Normal distribution to observed quantile data using order statistics of the observed quantiles.
Note that the likelihood is not a Normal distribution, but the order statistics of the observed quantiles assuming the underlying distribution is a Normal.
```python
from bqme.distributions import Normal, Gamma
from bqme.models import NormalQM
N, q, X = 100, [0.25, 0.5, 0.75], [-0.1, 0.3, 0.8]
# define priors
mu = Normal(0, 1, name='mu')
sigma = Gamma(1, 1, name='sigma')
# define likelihood
model = NormalQM(mu, sigma)
# sample the posterior
fit = model.sampling(N, q, X)
# extract posterior samples
mu_posterior = fit.mu
sigma_posterior = fit.sigma
# get stan sample object
stan_samples = fit.stan_obj
# get pdf and cdf of x_new
x_new = 1.0
pdf_x = fit.pdf(x_new)
cdf_x = fit.cdf(x_new)
# get percent point function of q_new (inverse of cdf)
# default return values are samples from posterior predictive p(x|q)
q_new = 0.2
ppf_q = fit.ppf(q_new)
```
We can also look at the generated stan code and optimize the parameters (MAP) instead of sampling the posterior.
```python
from bqme.distributions import Normal, Gamma
from bqme.models import NormalQM
mu = Normal(0, 1, name='mu')
sigma = Gamma(1, 1, name='sigma')
model = NormalQM(mu, sigma)
# print generated stan code
print(model.code)
# optimize
N, q, X = 100, [0.25, 0.5, 0.75], [-0.1, 0.3, 0.8]
fit = model.optimizing(N, q, X)
# extract optimized parameters
mu_opt = fit.mu
sigma_opt = fit.sigma
# get pdf, cdf, ppf
pdf_x = fit.pdf(1.1)
cdf_x = fit.cdf(1.1)
ppf_q = fit.ppf(0.2)
```
## Available prior distributions and likelihoods
distributions/priors (import from `bqme.distributions`):
* [x] `Normal(mu:float, sigma:float, name:str)`
* [x] `Gamma(alpha:float, beta:float, name:str)`
* [x] `Lognormal(mu:float, sigma:float, name:str)`
* [x] `Weibull(alpha:float, sigma:float, name:str)`
* [ ] `InvGamma`
* [ ] `...`
models/likelihoods (import from `bqme.models`):
* [x] `NormalQM(mu:distribution, sigma:distribution)`
* [x] `GammaQM(alpha:distribution, beta:distribution)`
* [x] `LognormalQM(mu:distribution, sigma:distribution)`
* [x] `WeibullQM(alpha:distribution, sigma:distribution)`
* [ ] `InvGammaQM`
* [ ] `...`
Inputs to the models need to be distributions.
## Todos
- [x] make package available on PyPI
- [x] tag/release on github
- [x] github actions for testing on different os and versions
- [x] use sphinx as documentation tool
- [x] implement fit.ppf(q), fit.cdf(x), fit.pdf(x), ...
- [ ] add Mixture-model
نیازمندی
| مقدار | نام |
|---|---|
| >=2.19 | pystan |
| >=1.19.2 | numpy |
| >=1.5.2 | scipy |
| >=6.0 | pytest |
| ==2.10.1 | pytest-cov |
| ==3.2.1 | sphinx |
| ==0.5.0 | sphinx-rtd-theme |
| ==0.6.0 | recommonmark |
زبان مورد نیاز
| مقدار | نام |
|---|---|
| >=3.7 | Python |
نحوه نصب
نصب پکیج whl bqme-0.2.0:
pip install bqme-0.2.0.whl
نصب پکیج tar.gz bqme-0.2.0:
pip install bqme-0.2.0.tar.gz