PyMC3(现在简称为PyMC)是一个贝叶斯建模包，它使数据科学家能够轻松地进行贝叶斯推断。
PyMC3采用马尔可夫链蒙特卡罗(MCMC)方法计算后验分布。这个方法相当复杂，原理方面我们这里不做详细描述，这里只说明一些简单的概念，为什么使用MCMC呢？
这是为了避开贝叶斯定理中计算归一化常数的棘手问题:
其中P(H | D)为后验，P(H)为先验，P(D | H)为似然，P(D)为归一化常数，定义为:
对于许多问题，这个积分要么没有封闭形式的解，要么无法计算。所以才有MCMC等方法被开发出来解决这个问题，并允许我们使用贝叶斯方法。
此外还有一种叫做共轭先验(Conjugate Priors)的方法也能解决这个问题，但它的可延展性不如MCMC。如果你想了解更多关于共轭先验的知识，我们在后面其他文章进行讲解。
在这篇文章中，我们将介绍如何使用PyMC3包实现贝叶斯线性回归，并快速介绍它与普通线性回归的区别。
完整文章：
https://avoid.overfit.cn/post/07ce671c5022406a8d299bfa196af871
标签：MCMC,回归,贝叶斯,PyMC3,先验,归一化 From： https://www.cnblogs.com/deephub/p/16744375.html