Python中快速、灵活且易于使用的概率建模

【实例简介】

pomegranate是一个以其模块化实现和将所有模型视为它们所代表的概率分布而定义的概率建模库。其灵活的实现使得可以轻松地将正态分布放入混合模型中，从而创建高斯混合模型，就像轻松地将伽玛分布和泊松分布放入混合模型中，从而创建异质混合模型一样。除此之外，因为每个模型都被视为概率分布，所以贝叶斯网络可以轻松放入混合模型，正态分布，隐马尔可夫模型可以放入贝叶斯分类器中，以创建一个针对序列的分类器。这两个设计选择共同赋予了一种在任何其他概率建模软件中都看不到的灵活性。

【实例截图】

【核心代码】
文件清单
└── pomegranate-fa29944cc613dc82067042982892790eb284f0a5
    ├── benchmarks
    │   ├── Benchmark_1_Distributions.ipynb
    │   ├── Benchmark_2_General_Mixture_Models.ipynb
    │   ├── Benchmark_3_KMeans.ipynb
    │   ├── Benchmark_4_Bayes_Classifier.ipynb
    │   └── Benchmark_5_Hidden_Markov_Model.ipynb
    ├── docs
    │   ├── api.rst
    │   ├── CODE_OF_CONDUCT.rst
    │   ├── conf.py
    │   ├── faq.rst
    │   ├── index.rst
    │   ├── install.rst
    │   ├── logo
    │   │   ├── pomegranate_comparison.png
    │   │   └── pomegranate-logo.png
    │   ├── Makefile
    │   ├── requirements.txt
    │   ├── _static
    │   │   └── custom.css
    │   ├── _templates
    │   │   └── class.rst
    │   ├── tutorials
    │   │   ├── B_Model_Tutorial_1_Distributions.ipynb
    │   │   ├── B_Model_Tutorial_2_General_Mixture_Models.ipynb
    │   │   ├── B_Model_Tutorial_3_Bayes_Classifier.ipynb
    │   │   ├── B_Model_Tutorial_4_Hidden_Markov_Models.ipynb
    │   │   ├── B_Model_Tutorial_5_Markov_Chains.ipynb
    │   │   ├── B_Model_Tutorial_6_Bayesian_Networks.ipynb
    │   │   ├── B_Model_Tutorial_7_Factor_Graphs.ipynb
    │   │   ├── C_Feature_Tutorial_1_GPU_Usage.ipynb
    │   │   ├── C_Feature_Tutorial_2_Mixed_Precision_and_DataTypes.ipynb
    │   │   ├── C_Feature_Tutorial_3_Out_Of_Core_Learning.ipynb
    │   │   └── C_Feature_Tutorial_4_Priors_and_Semi-supervised_Learning.ipynb
    │   └── whats_new.rst
    ├── examples
    │   └── Bayesian_Network_Monty_Hall.ipynb
    ├── LICENSE
    ├── pomegranate
    │   ├── bayes_classifier.py
    │   ├── bayesian_network.py
    │   ├── _bayes.py
    │   ├── distributions
    │   │   ├── bernoulli.py
    │   │   ├── categorical.py
    │   │   ├── conditional_categorical.py
    │   │   ├── dirac_delta.py
    │   │   ├── _distribution.py
    │   │   ├── exponential.py
    │   │   ├── gamma.py
    │   │   ├── independent_components.py
    │   │   ├── __init__.py
    │   │   ├── joint_categorical.py
    │   │   ├── normal.py
    │   │   ├── poisson.py
    │   │   ├── student_t.py
    │   │   ├── uniform.py
    │   │   └── zero_inflated.py
    │   ├── factor_graph.py
    │   ├── gmm.py
    │   ├── hmm
    │   │   ├── _base.py
    │   │   ├── dense_hmm.py
    │   │   ├── __init__.py
    │   │   └── sparse_hmm.py
    │   ├── __init__.py
    │   ├── kmeans.py
    │   ├── markov_chain.py
    │   └── _utils.py
    ├── README.md
    ├── requirements.txt
    ├── setup.py
    ├── slides
    │   ├── pomegranate data intelligence 2017.pdf
    │   ├── pomegranate odsc east 2017 turorial.pdf
    │   ├── pomegranate ODSC East 2019.pdf
    │   ├── pomegranate ODSC Europe 2020.pdf
    │   ├── pomegranate ODSC West 2017.pdf
    │   ├── pomegranate ODSC West 2018.pdf
    │   ├── pomegranate ODSC West 2019.pdf
    │   ├── pomegranate PyData NYC 2017.pdf
    │   ├── pomegranate pydata seattle 2017.pdf
    │   └── pomegranate scipy 2017.pdf
    └── tests
        ├── distributions
        │   ├── __init__.py
        │   ├── test_bernoulli.py
        │   ├── test_categorical.py
        │   ├── test_conditional_categorical.py
        │   ├── test_dirac_delta.py
        │   ├── test_exponential.py
        │   ├── test_gamma.py
        │   ├── test_independent_component.py
        │   ├── test_joint_categorical.py
        │   ├── test_normal_diagonal.py
        │   ├── test_normal_full.py
        │   ├── test_poisson.py
        │   ├── test_student_t.py
        │   ├── test_uniform.py
        │   └── _utils.py
        ├── hmm
        │   ├── __init__.py
        │   ├── test_dense_hmm.py
        │   └── test_sparse_hmm.py
        ├── __init__.py
        ├── test_bayes_classifier.py
        ├── test_bayesian_network.py
        ├── test_bayesian_network_structure_learning.py
        ├── test_factor_graph.py
        ├── test_gmm.py
        ├── test_kmeans.py
        ├── test_markov_chain.py
        ├── test_semisupervised.py
        └── test_utils.py

15 directories, 100 files