Notre avis
Effectue une inférence bayésienne rigoureuse sur des données géospatiales, incluant les processus gaussiens, les modèles hiérarchiques et la comparaison de modèles par LOO/WAIC/DIC.
Points forts
- Implémente des méthodes MCMC et variationnelles complètes pour le calcul a posteriori
- Fournit des outils réels de comparaison de modèles (LOO-CV, WAIC, DIC, BIC, AIC)
- Supporte les processus gaussiens par décomposition de Cholesky avec plusieurs noyaux
- S'intègre avec d'autres compétences (ACT, MATH, SPM, AI, RISK)
Limites
- Nécessite une solide compréhension des statistiques bayésiennes (prérequis geo-infer-math)
- Coûteux en calcul pour les grands jeux de données géospatiales
- Les dépendances (PyMC, TensorFlow Probability) peuvent provoquer des conflits de version
Utilisez-le lorsque vous avez besoin d'une analyse bayésienne approfondie de données géospatiales, notamment pour des modèles hiérarchiques, des processus gaussiens et une comparaison formelle de modèles.
Évitez-le si des méthodes fréquentistes plus simples suffisent ou si les données sont trop volumineuses pour un MCMC sans approximations avancées.
Analyse de sécurité
SûrThe skill provides instructional content on Bayesian inference without any system-level commands, network operations, or destructive actions. The only mentioned command is running pytest tests, which is benign and standard.
Aucun point d'attention détecté
Exemples
Using the geo-infer-bayes skill, create a hierarchical Bayesian model to analyze crime rates across different neighborhoods in a city. Include partial pooling with Cholesky LKJ decomposition and compute WAIC for model comparison.Apply the geo-infer-bayes GaussianProcess class with a Matérn kernel to fit temperature anomaly data from weather stations. Use MCMC sampling and plot the posterior mean with credible intervals.Use geo-infer-bayes VariationalInference to approximate the posterior of a Poisson spatial model with thousands of locations. Compute the ELBO and compare with full MCMC results on a subset.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).