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。

Bayesian MCP