Als «mcmc» getaggte Fragen

Markov-Kette Monte Carlo (MCMC) bezieht sich auf eine Klasse von Methoden zum Erzeugen von Proben aus einer Zielverteilung durch Erzeugen von Zufallszahlen aus einer Markov-Kette, deren stationäre Verteilung die Zielverteilung ist. MCMC-Methoden werden typischerweise verwendet, wenn direktere Methoden zur Zufallszahlengenerierung (z. B. Inversionsmethode) nicht durchführbar sind. Die erste MCMC-Methode war der Metropolis-Algorithmus, der später zum Metropolis-Hastings-Algorithmus modifiziert wurde.

2
Woher kommen die vollständigen Bedingungen bei der Gibbs-Probenahme?
MCMC-Algorithmen wie Metropolis-Hastings- und Gibbs-Sampling sind Methoden zum Sampling aus den gemeinsamen posterioren Verteilungen. Ich denke, ich verstehe und kann Metropolen-Hasting ziemlich einfach implementieren - Sie wählen einfach irgendwie Startpunkte aus und gehen den Parameterraum nach dem Zufallsprinzip entlang, wobei Sie sich an der hinteren Dichte und der Vorschlagsdichte orientieren. …
15 bayesian  mcmc  gibbs 
2
Gibt es eine Standardmethode zur Behandlung des Problems des Etikettenwechsels bei der MCMC-Schätzung von Gemischmodellen?
Das Umschalten von Markierungen (dh die posteriore Verteilung ist gegenüber dem Umschalten von Komponentenkennzeichnungen invariant) ist ein problematisches Problem, wenn MCMC zum Schätzen von Mischungsmodellen verwendet wird. Gibt es eine Standardmethode (wie allgemein anerkannt), um mit dem Problem umzugehen? Wenn es keinen Standardansatz gibt, welche Vor- und Nachteile haben dann …
15 bayesian  mcmc  mixture 
2
Verwechselt mit MCMC Metropolis-Hastings-Variationen: Random-Walk, Non-Random-Walk, Independent, Metropolis
In den letzten Wochen habe ich versucht, MCMC und die Metropolis-Hastings-Algorithmen zu verstehen. Jedes Mal, wenn ich denke, dass ich es verstehe, stelle ich fest, dass ich falsch liege. Die meisten Codebeispiele, die ich online finde, implementieren etwas, das nicht mit der Beschreibung übereinstimmt. Dh: Sie sagen, sie implementieren Metropolis-Hastings, …
2
Hamiltonian Monte Carlo
Kann jemand die Grundidee hinter den Hamilton-Monte-Carlo-Methoden erläutern und in welchen Fällen werden bessere Ergebnisse erzielt als mit den Markov-Chain-Monte-Carlo-Methoden?
14 bayesian  mcmc  hmc 
2
Leistungsbenchmarks für MCMC
Wurden groß angelegte Studien zu MCMC-Methoden durchgeführt, in denen die Leistung mehrerer verschiedener Algorithmen für eine Reihe von Testdichten verglichen wurde? Ich denke an etwas, das dem von Rios und Sahinidis (2013) entspricht und einen gründlichen Vergleich einer großen Anzahl derivatfreier Black-Box-Optimierer für verschiedene Klassen von Testfunktionen darstellt. Für MCMC …
2
Dirichlet-Prozesse für Clustering: Wie gehe ich mit Etiketten um?
F: Was ist die Standardmethode zum Clustering von Daten mithilfe eines Dirichlet-Prozesses? Bei Verwendung von Gibbs treten während der Probenahme Cluster auf und verschwinden. Außerdem haben wir ein Identifizierungsproblem, da die posteriore Verteilung für Cluster-Relabelings nicht relevant ist. Wir können also nicht sagen, welches der Cluster eines Benutzers ist, sondern …
4
Ein praktisches Beispiel für MCMC
Ich habe einige Vorlesungen über MCMC gelesen. Ich finde jedoch kein gutes Beispiel für die Verwendung. Kann mir jemand ein konkretes Beispiel geben. Ich kann nur sehen, dass sie eine Markov-Kette führen und sagen, dass ihre stationäre Verteilung die gewünschte Verteilung ist. Ich möchte ein gutes Beispiel, bei dem es …
2
MCMC Geweke Diagnostik
Ich verwende einen Metropolis-Sampler (C ++) und möchte die Konvergenzrate anhand der vorherigen Samples schätzen. Eine einfach zu implementierende Diagnose, die ich gefunden habe, ist die Geweke-Diagnose , die die Differenz zwischen den beiden Stichprobenmitteln dividiert durch ihren geschätzten Standardfehler berechnet. Der Standardfehler wird aus der spektralen Dichte bei Null …
14 mcmc  diagnostic 
4
Kann ich die Angebotsverteilung in MH MCMC nach dem Zufallsprinzip ändern, ohne dass dies Auswirkungen auf Markovianity hat?
Zufallsspaziergang Metropolis-Hasitings mit symmetrischem Vorschlag q(x|y)=g(|y−x|)q(x|y)=g(|y−x|)q(x|y)= g(|y-x|) hat die Eigenschaft, dass die Akzeptanzwahrscheinlichkeit P(accept y)=min{1,f(y)/f(x)}P(accept y)=min{1,f(y)/f(x)}P(accept\ y) = \min\{1, f(y)/f(x)\} hängt nicht vom Vorschlag g(⋅)g(⋅)g(\cdot) . Bedeutet das, dass ich das g(⋅)g(⋅)g(\cdot) in Abhängigkeit von der vorherigen Leistung der Kette ändern kann , ohne die Markovianität der Kette zu beeinträchtigen? …
3
Gute Zusammenfassungen (Rezensionen, Bücher) über verschiedene Anwendungen der Markov-Kette Monte Carlo (MCMC)?
Gibt es gute Zusammenfassungen (Rezensionen, Bücher) zu verschiedenen Anwendungen der Markov-Kette Monte Carlo (MCMC)? Ich habe Markov Chain Monte Carlo in der Praxis gesehen , aber dieses Buch scheint ein bisschen alt zu sein. Gibt es weitere aktualisierte Bücher zu verschiedenen Anwendungen von MCMC in Bereichen wie Maschinelles Lernen, Computer …
Durch die Nutzung unserer Website bestätigen Sie, dass Sie unsere Cookie-Richtlinie und Datenschutzrichtlinie gelesen und verstanden haben.
Licensed under cc by-sa 3.0 with attribution required.