朴素贝叶斯-伯努利模型_用贝叶斯模型检测COVID-19病例的变化

朴素贝叶斯-伯努利模型

贝叶斯变化点模型用于估计新的COVID-19病例数在不同国家开始趋于平坦的日期。

问题

在当前的全球大流行及其相关资源（数据，分析等）的背景下，我已经尝试了一段时间来提出一个有趣的COVID-19问题，以利用统计数据进行攻击。 在查看了某些县的确诊病例数之后，很明显在某个日期，新病例数不再是指数级的，其分布也发生了变化。

但是，每个国家（显然）的日期不同。 这篇文章介绍并讨论了贝叶斯模型，用于估计特定国家中新COVID-19病例的分布发生变化的日期。 模型系数是可以解释的，可用于将来分析不同国家采用的社会疏离措施的有效性。

在我们介绍它之前，一个重要的提醒是所有模型都是错误的，但是有些模型是有用的。 该模型可用于估计更改日期，而不用于预测COVID-19的情况。

不应将它误认为一个惊人的流行病学模型，该模型将告诉我们隔离何时结束，而是一种描述我们已经观察到的概率分布的方式。

这个职位的所有代码，可以发现在这里 ，你可以看到这篇文章的原始版本在这里 。

模型

我们想描述y ，它是特定国家/地区每天新COVID-19病例数的日志，与t的函数相关， t是该病毒在该国开始传播的天数。 我们将使用分段回归模型进行此操作。 分割点将由学习参数τ决定，如下所述：

换句话说 ，Y将被模拟为 w₁+ B₁天，直到天τ。 之后，将其建模为 w 2 + b 2。

该模型使用Pyro编写， Pyro是一种基于PyTorch的概率编程语言。 这段代码中包含了大部分代码，但是大多数笔记本代码都在