Система MBayes нацелена на создание и работу с математическими моделями на основе вероятностных графов. Граф состоит из факторов, обозначенных узлами, и связей, определяющих зависимости между факторами. Вместе они описывают статистическую модель на основе которой далее формируются прогнозы, оцениваются вероятности событий и их причины.
Множество различных типов распределений, включая смеси распределений
Моделирование частоты страховых случаев и размеров выплат по полисам
Пример модели для A/B тестирования и uplift моделирования
Интегрированные python редактор для детерминированных узловМножество различных типов распределений, включая смеси распределенийМоделирование частоты страховых случаев и размеров выплат по полисамВозможности платформы
- Создание причинно-следственных статистических моделей
- Без программирования через low-code редактор
- Визуализация моделей и результатов
- Распределения случайных величин и их взаимосвязи
- Симуляция сценариев
- Используя методы Монте-Карло или алгоритмы машинного обучения
- Использование экспертных оценок и доступных данных
- Использование экспертных оценок и доступных данных в рамках одной, интепретируемой, статистической модели
- Иерархические нелинейные модели
- моделируемые процессы имеют нелинейные зависимости, иерархическую структуру и скрытые переменные
- Оценка вероятности событий и рисков
- Минимизируя ущерб от непредвиденных событий и сценарией развития ситуации
- Обучать статистические модель
- На большиx или маленьких объемах данных
- Измерять силу влияние факторов
- На целевые показатели и метрики
- Автоматическое обновление прогнозов
- При поступлении новой информации на основе Байесовских статистических методов
- Запуск вычислений в облаке
- Для легкого доступа и масштабирования
Технические характеристики
- Условные вероятности
- С фунцкинальными зависимостями параметров позволяют формировать нелинейные иерархические модели
- Монте Карло
- Генерация выборки, Квази Монте-Карло, Выборка по значимости
- Вероятностное программирование
- Через интегрированный Python 3.12 в детерминированных узлах модели
- Алгoритмы Байесовского вывода
- Exact и Approximate inference algorithms, prior/posterior marginals, model evidence
- Контейнеризация модулей системы
- На основе Docker делает процесс интеграции и масштабирования вычислений быстрым и легким
- API
- - доступ к доп. возможностям для продвинутых пользователей
- Распределения: Непрерывные
- Гауссовское, Логнормальное, Экспоненциальное, Бета (и многие другие)
- Распределения: Дискретные
- Категориальные, Биномиальное, Пуссоновское, Геометрическое, (и многие другие)
- Распределения: общие
- Смеси распределений, Нелинейные зависимости параметров и Bounded distributions
- Калибровка распределений
- Метод максимально правдоподобия, jackknife estimators
- Поиск причинно-следственные связей
- Локальные (PC) и глобальные (HC) алгоритмы structure learning
Более подробная инфорамция содержиться в описании функциональных характеристик и инструкция по эксплуатации платформы.