Notre avis
Effectue de l'inférence bayésienne et de la modélisation probabiliste pour des données géospatiales, incluant MCMC, processus gaussiens et modèles hiérarchiques.
Points forts
- Implémente des méthodes MCMC et variationnelles complètes
- Compare les modèles avec LOO, WAIC, DIC
- Supporte les processus gaussiens avec décomposition de Cholesky
- S'intègre à PyMC et TensorFlow Probability
Limites
- Nécessite des connaissances avancées en probabilités
- Peut être coûteux en calcul pour de grands jeux de données
- Les processus gaussiens sont limités à des dimensions modérées
Idéal pour estimer des incertitudes et des paramètres dans des modèles spatiaux complexes avec des données géoréférencées.
À éviter pour des analyses simples ou des données non spatiales, ou quand le temps de calcul est très limité.
Analyse de sécurité
SûrThe skill describes a Bayesian inference library for geospatial data. It includes only import statements, a test command (pytest on a local directory), and no destructive or exfiltration operations. There is no use of curl, shell commands, or disabling of safety measures. The risk is minimal.
Aucun point d'attention détecté
Exemples
Using geo-infer-bayes, fit a Bayesian hierarchical model with partial pooling to the geospatial dataset 'land_use.csv' with priors, run MCMC for 2000 samples, and compute WAIC.Compare a Gaussian process model and a linear Bayesian model on the spatial data using LOO-CV with geo-infer-bayes.name: geo-infer-bayes description: Bayesian inference and probabilistic modeling for geospatial data. Use when building hierarchical models, computing posteriors with PyMC or TFP, performing variational inference, model comparison (LOO/WAIC/DIC), or spatial Gaussian processes. prerequisites: required: - geo-infer-math recommended: - geo-infer-space - geo-infer-data difficulty: advanced estimated_time: 60min examples_dir: ../GEO-INFER-EXAMPLES/examples/
GEO-INFER-BAYES
Instructions
Core Capabilities
- Bayesian inference: Full posterior computation via MCMC and variational methods
- Model comparison: LOO-CV, WAIC, DIC, BIC, AIC (all real implementations)
- Gaussian processes: Cholesky-decomposition GP with multiple kernels
- Hierarchical models: Partial pooling via Cholesky LKJ decomposition
- Prior specification: Jeffreys, reference, unit-information priors
- ELBO computation: Real evidence lower bound (not placeholder)
Key Imports
from geo_infer_bayes.core.bayesian_inference import BayesianModel
from geo_infer_bayes.core.gaussian_process import GaussianProcess
from geo_infer_bayes.core.variational import VariationalInference
from geo_infer_bayes.api.pymc_interface import PyMCInterface
from geo_infer_bayes.api.tfp_interface import TFPInterface
Examples
from geo_infer_bayes.core.bayesian_inference import BayesianModel
model = BayesianModel(prior="normal", likelihood="normal")
posterior = model.fit(data, n_samples=2000)
comparison = model.compare(["model_a", "model_b"], method="loo")
Guidelines
- GP uses Cholesky decomposition (real, not stub)
- TFP interface: real GP + Metropolis-Hastings sampling
- PyMC interface: posterior predictive sampling for predictions
- Variational: real ELBO computation with KL divergence
- Test:
uv run python -m pytest GEO-INFER-BAYES/tests/ -v
Integrations
- ACT → Active Inference belief updating and free energy
- MATH → Spatial statistics feeding Bayesian models
- SPM → Bayesian GLM fitting for parametric maps
- AI → Bayesian hyperparameter optimization
- RISK → Bayesian uncertainty quantification for risk
Ingénierie de Prompts
Data & IA
Bonnes pratiques et templates de prompt engineering pour maximiser les résultats IA.
Visualisation de Données
Data & IA
Génère des visualisations de données et graphiques adaptés à vos données.
Architecture RAG
Data & IA
Guide de configuration d'architectures RAG (Retrieval-Augmented Generation).