ベイジアンMCP
ベイズ推論、推論、および信念更新のためのモデル呼び出しプロトコル（MCP）サーバー。このツールにより、LLMは厳密なベイズ分析と確率推論を実行できます。
特徴
🧠ベイズ推論：MCMCサンプリングを使用して新しい証拠で信念を更新する
📊モデル比較：情報基準を使用して競合モデルを比較する
🔮予測推論：不確実性の定量化による予測の生成
📈可視化：事後分布の可視化を作成する
🔌 MCP 統合: MCP をサポートするあらゆる LLM とシームレスに統合
Related MCP server: Calculator MCP Server
インストール
開発インストール
リポジトリをクローンし、依存関係をインストールします。
git clone https://github.com/wrenchchatrepo/bayesian-mcp.git
cd bayesian-mcp
pip install -e .
要件
Python 3.9以上
PyMC 5.0以降
アルヴィズ
ナンパイ
Matplotlib
ファストAPI
ウビコーン
クイックスタート
サーバーの起動
# Run with default settings
python bayesian_mcp.py
# Specify host and port
python bayesian_mcp.py --host 0.0.0.0 --port 8080
# Set log level
python bayesian_mcp.py --log-level debug
サーバーは起動し、指定されたホストとポートで MCP 要求をリッスンします。
APIの使用
Bayesian MCP サーバーは、API を通じていくつかの機能を公開します。
1. モデルを作成する
指定された変数を使用して新しいベイズ モデルを作成します。
# MCP Request
{
"function_name": "create_model",
"parameters": {
"model_name": "my_model",
"variables": {
"theta": {
"distribution": "normal",
"params": {"mu": 0, "sigma": 1}
},
"likelihood": {
"distribution": "normal",
"params": {"mu": "theta", "sigma": 0.5},
"observed": [0.1, 0.2, 0.3, 0.4]
}
}
}
}
2. 信念を更新する
新しい証拠に基づいてモデルの信念を更新します。
# MCP Request
{
"function_name": "update_beliefs",
"parameters": {
"model_name": "my_model",
"evidence": {
"data": [0.1, 0.2, 0.3, 0.4]
},
"sample_kwargs": {
"draws": 1000,
"tune": 1000,
"chains": 2
}
}
}
3. 予測する
事後分布を使用して予測を生成します。
# MCP Request
{
"function_name": "predict",
"parameters": {
"model_name": "my_model",
"variables": ["theta"],
"conditions": {
"x": [1.0, 2.0, 3.0]
}
}
}
4. モデルを比較する
情報基準を使用して複数のモデルを比較します。
# MCP Request
{
"function_name": "compare_models",
"parameters": {
"model_names": ["model_1", "model_2"],
"metric": "waic"
}
}
5. 視覚化を作成する
モデルの事後分布の視覚化を生成します。
# MCP Request
{
"function_name": "create_visualization",
"parameters": {
"model_name": "my_model",
"plot_type": "trace",
"variables": ["theta"]
}
}
例
examples/ディレクトリには、Bayesian MCP サーバーの使用方法を示すいくつかの例が含まれています。
線形回帰
パラメータ推定を示す単純な線形回帰の例:
python examples/linear_regression.py
A/Bテスト
コンバージョン率のベイジアン A/B テストの例:
python examples/ab_test.py
サポートされているディストリビューション
ベイジアン エンジンは次の分布をサポートします。
normal : 正規（ガウス）分布
lognormal ：対数正規分布
beta ：ベータ分布
gamma ：ガンマ分布
exponential ：指数分布
uniform ：均一分布
bernoulli ：ベルヌーイ分布
binomial ：二項分布
poisson ：ポアソン分布
deterministic ：決定論的変換
MCP統合
このサーバーはモデル呼び出しプロトコルを実装しており、幅広いLLMおよびフレームワークと互換性があります。LLMで使用するには、以下の手順に従ってください。
import requests
response = requests.post("http://localhost:8000/mcp", json={
"function_name": "create_model",
"parameters": {
"model_name": "example_model",
"variables": {...}
}
})
result = response.json()
ライセンス
マサチューセッツ工科大学
クレジット
Wrench AI フレームワークの概念とコードに基づいています。