用途：在需要可解释系数与真实不确定性（可信区间）而非单纯点预测时，用 PyMC 做贝叶斯回归。适用于异方差噪声、离群点、模型规格比较（Normal/Student-t/Poisson）、后验预测检查及带完整贝叶斯推断的 GLM。若只追求表格数据最佳预测，应改用 XGBoost 回归；二值响应可参考贝叶斯逻辑回归。
主要能力：按 Hogg 工作流推进——先用 OLS 基线并检查残差；再拟合贝叶斯 Normal（同方差）；若残差呈扇形，对 log(sigma) 建模实现异方差；默认推荐 Student-t 稳健似然，通过自由度 nu 判断尾部（nu<5 重污染，5-30 中等，>30 近似高斯）；用 LOO-CV 比较模型（elpd_loo 最高者最优，weight 为堆叠权重）；支持 GLM（Bernoulli、Poisson、NegativeBinomial、Gamma、Beta）与分层/部分池化模型。
使用方式：项目含 data、src（train.py、predict.py、plots.py）、notebooks/demo.py 与 mlruns。示例命令：marimo edit --sandbox demo.py。拟合时建议中心化预测变量以降低截距与斜率的后验相关性，报告时再还原。诊断需检查 R-hat<1.01、ESS>400、迹图混合良好、后验预测检查与残差图。结果可记录到 MLflow（参数、指标、标签与产物）。
限制与注意：不要默认假设高斯误差；不要删除离群点而应建模；不要仅凭与 OLS 系数相似度比较模型；不要跳过后验预测检查；无依据时使用弱信息先验。具体收费、平台与效果资料暂未提供。