Metropolis-Hastings 算法对概率分布进行采样以产生一组与原始分布成比例的轨迹。
首先，目标是什么？
MCMC的目标是从某个概率分布中抽取样本，而不需要知道它在任何一点的确切概率。
MCMC实现这一目标的方式是在该分布上 “徘徊”，使在每个地点花费的时间与分布的概率成正比。
如果 “徘徊 “过程设置正确，你可以确保这种比例关系（花费的时间和分布的概率之间）得以实现
为了可视化算法的工作原理，我们在二维中实现它
plt.style.use('ggplot')
首先，让我们创建并绘制任意目标分布
tart = np.append
plt.hist plt.text
现在让我们写出算法。
请注意，我们将原始数据分箱计算给定点的概率。这是算法如何工作的粗略概念
- 选择分布上的一个随机位置
- 提议分布上的一个新位置
- 如果提议的位置比当前的位置有更高的相对概率，就跳到这个位置（即把当前位置设置为新位置）
- 如果不是，也许还是跳。仍然跳的概率与新位置的概率低多少成正比
- 返回算法所到过的所有位置
def gees: daa = d.astype np.bincount # 产生一个范围为(i,i+1)的计数数组 np.array(\[\]) crnt = int for i in xrange(n_ms): trs = np.append # 最终创建一个函数，选择一个好的跳跃距离 # 如果当前位置的p很低，就把跳转的距离变大 poo = int # 确保我们不离开边界 while rood data.max or ppsd < data.min: pood = int if a > 1: cuent = prosed else: if np.random.random<= a: curnt = ppse
traces = get_traces(target, 5000)
随时关注您喜欢的主题
# 绘制目标分布图和轨迹分布图 plt.hist plt.subplot(2,1,2) plt.hist plt.tight_layout plt.show
不仅轨迹的分布非常接近实际分布，样本均值也非常接近。绘制的样本点少于 5000 个，我们非常接近于近似目标分布的形状。
R语言Stan贝叶斯回归置信区间后验分布可视化模型检验
R语言贝叶斯INLA空间自相关、混合效应、季节空间模型、SPDE、时空分析野生动物数据可视化
Python贷款违约预测:Logistic、Xgboost、Lightgbm、贝叶斯调参/GridSearchCV调参
R语言贝叶斯Metropolis-Hastings采样 MCMC算法理解和应用可视化案例
