Über die Markov-Ketten-Monte-Carlo-Methode (MCMC-Methode) ・ Was ist die MCMC-Methode? -MCMC-Methodentypen und Python-Module Ich habe versucht zusammenzufassen.
Durch die Verwendung der Markov-Kette wird die Monte-Carlo-Methode gestärkt.
Ich werde später ausführlich schreiben, Weil die Monte-Carlo-Methode eine wirklich zufällige Stichprobe ist ・ Die Berechnungskosten sind hoch ・ Die Genauigkeit verbessert sich nicht Es gibt ein Problem. Daher ist die Markov-Ketten-Monte-Carlo-Methode Dieses Problem wurde durch Verwendung der Markov-Kette verbessert.
"Einführung in die Monte-Carlo-Methode von Python" http://aidiary.hatenablog.com/entry/20140620/1403272044 Die Monte-Carlo-Methode wird von Anfang an sorgfältig erklärt, Darüber hinaus wird eine Python-Implementierung mitgeliefert.
Sie können die Theorie mit sehr detaillierten Erklärungen lernen, während Sie diesen Betrag ausprobieren. Ich habe das Originalbuch, aber es ist besser, diese Seite zu lesen Ich denke, es sollte viel weniger mühsam und leicht zu verstehen sein.
Es gibt einige Arten von Monte-Carlo-Methoden. ・ Inverse Konvertierungsmethode ・ Box-Muller-Methode ・ Akzeptanz-Ablehnungsmethode ・ Priority Sampling
Grob, um einen probabilistischen Übergang in Zeitreihen zu machen Es führt Matrixoperationen aus. (Nicht genau ...) Sie können es sich auch als einen Automaten vorstellen, der wahrscheinlich übergeht.
"Introduction to Markov chain : simplified!" http://www.analyticsvidhya.com/…/07/markov-chain-simplified/ Obwohl es auf Englisch ist, ist es ein guter Artikel.
Weil die Monte-Carlo-Methode eine wirklich zufällige Stichprobe ist ・ Die Berechnungskosten sind hoch ・ Die Genauigkeit verbessert sich nicht Es gibt ein Problem.
Die Markov-Ketten-Monte-Carlo-Methode ist Durch Probenahme mit der Markov-Kette als stetige Verteilung, Dies ist eine Methode, die die oben genannten Probleme verbessert.
Schritt 1. Bestimmen Sie den Anfangspunkt Schritt 2. Bestimmen Sie die Verteilung für die nächste Probenahme durch die Markov-Kette
https://tatsyblog.wordpress.com/
Von der Seite des Lesens des Quellcodes Ich habe das Gefühl, dass MCMC verstehen kann.
Die Methode von Metropolis Hasting basiert auf der natürlichsten Idee Es ist eine entworfene orthodoxe Methode. Mit einer gewissen Wahrscheinlichkeit, wenn man zur niedrigeren Wahrscheinlichkeit geht Es ist ein Stopper, um den Übergang der stetigen Verteilung zu verhindern.
Andere, ・ Gibbs-Probenahmemethode ・ Hybrid-Monte-Carlo-Methode ・ Schnittprobenmethode Wird vorgestellt, siehe aber ↑ Artikel.
↑ Der Link verwendet das mcmc-Modul. Daneben scheint das pymc3-Modul auch häufig verwendet zu werden. http://qiita.com/kenmatsu4/items/a0c703762a2429e21793
Von Dr. Yukito Iba, Institut für Statistische Mathematik MCMC-Vortrag (https://www.youtube.com/watch?v=-H28H1unn0M)
Von der stationären Verteilung über die Art der Markov-Kette bis hin zu den physikalischen Aspekten Die Erklärung ist einfach und leicht zu verstehen. Wenn Sie sich das ansehen, können Sie die Grundlagen von MCMC leicht verstehen.
Die MCMC-Methode ist ein großartiger Kommentar zu einem kürzlich besprochenen Buch [Besonderheit] Support-Seite für Bayesianisches Denken und MCMC-freie Software https://sites.google.com/site/iwanamidatascience/vol1/support_tokushu Es kann genug sein, um zu sehen.
Recommended Posts