베이지안 MCP
베이지안 추론, 추론 및 신념 업데이트를 위한 모델 호출 프로토콜(MCP) 서버입니다. 이 도구를 통해 LLM은 엄격한 베이지안 분석 및 확률적 추론을 수행할 수 있습니다.
특징
🧠 베이지안 추론 : MCMC 샘플링을 사용하여 새로운 증거로 신념 업데이트
📊 모델 비교 : 정보 기준을 사용하여 경쟁 모델을 비교합니다.
🔮 예측 추론 : 불확실성 정량화를 통해 예측 생성
📈 시각화 : 사후 분포의 시각화를 만듭니다.
🔌 MCP 통합 : MCP를 지원하는 모든 LLM과 원활하게 통합
Related MCP server: Calculator MCP Server
설치
개발 설치
저장소를 복제하고 종속성을 설치합니다.
지엑스피1
요구 사항
파이썬 3.9 이상
파이엠씨 5.0+
아르비즈
넘파이
맷플롯립
패스트API
유비콘
빠른 시작
서버 시작
# 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
서버가 시작되어 지정된 호스트와 포트에서 MCP 요청을 수신합니다.
API 사용
베이지안 MCP 서버는 API를 통해 여러 기능을 제공합니다.
1. 모델 생성
지정된 변수로 새로운 베이지안 모델을 만듭니다.
# 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. 신념을 업데이트하세요
새로운 증거를 바탕으로 모델 신념을 업데이트합니다.
# 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. 예측하기
사후 분포를 사용하여 예측을 생성합니다.
# MCP Request
{
"function_name": "predict",
"parameters": {
"model_name": "my_model",
"variables": ["theta"],
"conditions": {
"x": [1.0, 2.0, 3.0]
}
}
}
4. 모델 비교
정보 기준을 사용하여 여러 모델을 비교합니다.
# MCP Request
{
"function_name": "compare_models",
"parameters": {
"model_names": ["model_1", "model_2"],
"metric": "waic"
}
}
5. 시각화 만들기
모델 사후 분포의 시각화를 생성합니다.
# MCP Request
{
"function_name": "create_visualization",
"parameters": {
"model_name": "my_model",
"plot_type": "trace",
"variables": ["theta"]
}
}
예시
examples/ 디렉토리에는 베이지안 MCP 서버를 사용하는 방법을 보여주는 여러 가지 예가 포함되어 있습니다.
선형 회귀
매개변수 추정을 보여주기 위한 간단한 선형 회귀 예제:
python examples/linear_regression.py
A/B 테스트
전환율에 대한 베이지안 A/B 테스트의 예:
python examples/ab_test.py
지원되는 배포판
베이지안 엔진은 다음과 같은 분포를 지원합니다.
normal : 정규(가우스) 분포
lognormal : 로그 정규 분포
beta : 베타 분포
gamma : 감마 분포
exponential 분포
uniform : 균일 분포
bernoulli : 베르누이 분포
binomial : 이항분포
poisson : 푸아송 분포
deterministic : 결정론적 변환
MCP 통합
이 서버는 모델 호출 프로토콜(Model Calling Protocol)을 구현하여 다양한 LLM 및 프레임워크와 호환됩니다. LLM과 함께 사용하려면 다음 단계를 따르세요.
import requests
response = requests.post("http://localhost:8000/mcp", json={
"function_name": "create_model",
"parameters": {
"model_name": "example_model",
"variables": {...}
}
})
result = response.json()
특허
MIT
크레딧
Wrench AI 프레임워크의 개념과 코드를 기반으로 합니다.