我们将首先回顾经典频率论的多重线性回归方法。然后讨论贝叶斯如何考虑线性回归。

用PyMC3进行贝叶斯线性回归

在本节中，我们将对统计实例进行一种经典的方法，即模拟一些我们知道的属性的数据，然后拟合一个模型来推算这些原始属性。

什么是广义线性模型？

在我们开始讨论贝叶斯线性回归之前，我想简要地概述广义线性模型（GLM）的概念，因为我们将使用它们来在PyMC3中建立我们的模型。

广义线性模型是将普通线性回归扩展到更一般形式的回归的灵活方法，包括逻辑回归（分类）和泊松回归（用于计数数据）以及线性回归本身。

GLM允许具有除正态分布以外的误差分布的因变量。

用PyMC3模拟数据并拟合模型

在我们使用PyMC3来指定和采样贝叶斯模型之前，我们需要模拟一些噪声线性数据。

输出如下图所示：

通过Numpy，pandas和seaborn模拟噪声线性数据