À propos de la méthode de Monte Carlo en chaîne de Markov (méthode MCMC) ・ Qu'est-ce que la méthode MCMC? -Types de méthodes MCMC et modules Python J'ai essayé de résumer.
En utilisant la chaîne de Markov, la méthode de Monte Carlo est renforcée.
J'écrirai en détail plus tard, Parce que la méthode de Monte Carlo est un échantillonnage vraiment aléatoire ・ Le coût de calcul est élevé ・ La précision ne s'améliore pas Il ya un problème. Par conséquent, la méthode de Monte Carlo par chaîne de Markov est Ce problème a été amélioré en utilisant la chaîne de Markov.
"Introduction à la méthode de Monte Carlo par Python" http://aidiary.hatenablog.com/entry/20140620/1403272044 La méthode Monte Carlo est soigneusement expliquée dès le début, De plus, il est livré avec une implémentation Python.
Vous pouvez apprendre la théorie avec des explications très détaillées tout en essayant ce montant. J'ai le livre original, mais il vaut mieux lire cette page Je pense que cela devrait être beaucoup moins laborieux et facile à comprendre.
Il existe plusieurs types de méthodes de Monte Carlo. ・ Méthode de conversion inverse ・ Méthode Box-Muller ・ Méthode de rejet d'acceptation ・ Échantillonnage prioritaire
En gros, pour effectuer une transition probabiliste dans les séries chronologiques Il effectue des opérations matricielles. (Pas précis ...) Vous pouvez également le considérer comme un automate qui effectue une transition probabiliste.
"Introduction to Markov chain : simplified!" http://www.analyticsvidhya.com/…/07/markov-chain-simplified/ Bien qu'il soit en anglais, c'est un bon article.
Parce que la méthode de Monte Carlo est un échantillonnage vraiment aléatoire ・ Le coût de calcul est élevé ・ La précision ne s'améliore pas Il ya un problème.
La méthode de Monte Carlo par chaîne de Markov est En échantillonnant avec la chaîne de Markov comme une distribution régulière, C'est une méthode qui améliore les problèmes ci-dessus.
étape 1. Déterminez le point initial étape 2. Déterminer la distribution pour le prochain échantillonnage par la chaîne de Markov
https://tatsyblog.wordpress.com/
Du côté de la lecture du code source J'ai l'impression que MCMC peut comprendre.
La méthode Metropolis Hasting est basée sur l'idée la plus naturelle C'est une méthode orthodoxe conçue. Dans une certaine probabilité en passant à la probabilité la plus faible C'est un bouchon pour empêcher la distribution régulière de passer.
Autre, ・ Méthode d'échantillonnage Gibbs ・ Méthode hybride Monte Carlo ・ Méthode d'échantillonnage par tranche Est présenté, mais voir l'article ↑.
↑ Le lien utilise le module mcmc, En plus de cela, il semble que le module pymc3 soit également souvent utilisé. http://qiita.com/kenmatsu4/items/a0c703762a2429e21793
Par le Dr Yukito Iba, Institut de mathématiques statistiques Conférence MCMC (https://www.youtube.com/watch?v=-H28H1unn0M)
De la distribution stationnaire à la nature de la chaîne de Markov et aux aspects physiques L'explication est simple et facile à comprendre. Si vous regardez cela, vous pouvez facilement comprendre les fondements de MCMC.
La méthode MCMC est un merveilleux commentaire sur un livre dont on a récemment parlé [Particularité] Page d'assistance pour le raisonnement bayésien et le logiciel gratuit MCMC https://sites.google.com/site/iwanamidatascience/vol1/support_tokushu Cela peut suffire à voir.
Mais ici,
Recommended Posts