在最近的一篇文章中，我描述了一个Metropolis-in-Gibbs采样器，用于估计贝叶斯逻辑回归模型的参数。
这篇文章就此问题进行了研究，以展示Rcpp如何帮助克服这一瓶颈。 TLDR：只需用C ++编写log-posterior而不是矢量化R函数，我们就可以大大减少运行时间。
可下载资源
我模拟了模型的数据：
对于这个分析，我编写了两个Metropolis-Hastings（MH）采样器：sample\_mh（）和sample\_mh\_cpp（）。
视频
贝叶斯推断线性回归与R语言预测工人工资数据
视频
逻辑回归Logistic模型原理和R语言分类预测冠心病风险实例
前者使用对数后验编码作为向量化R函数。后者使用C ++（log\_post.cpp）中的log-posterior编码，并使用Rcpp编译成R函数。Armadillo库对C ++中的矩阵和向量类很有用。
因此，在每次迭代中，提出了系数向量。下面用红线表示链，表示生成数据的参数值。
burnin <- 1000 iter <- 100000 p <- ncol(X) cpp(X, Y, iter = iter, jump = .03) par(mfrow=c(2,2)) plot(mh_cpp\[\[1\]\]\[burnin:iter,'intercept'\]) abline(h= -1, col='red')
似乎趋同。平均接受概率在采样运行中收敛到约20％。
那么Rcpp实现与R实现相比如何呢？Rcpp的运行时间明显较低。当log-posterior被编码为矢量化R函数时，采样器相对于Rcpp实现运行速度大约慢7倍（样本大小为100）。下图显示了样本大小为100到5000的相对运行时间，增量为500。
for(i in 1:length(s){
benchmark(mh(X, Y, iter = iter)
time\[i\] <- time/rcpp
plot(ss, time)
直观地说，C ++带来了一些效率增益。但很明显，Rcpp是解决代码瓶颈的好方法。
可下载资源
关于作者
Kaizong Ye是拓端研究室（TRL）的研究员。在此对他对本文所作的贡献表示诚挚感谢，他在上海财经大学完成了统计学专业的硕士学位，专注人工智能领域。擅长Python.Matlab仿真、视觉处理、神经网络、数据分析。
本文借鉴了作者最近为《R语言数据分析挖掘必知必会 》课堂做的准备。
非常感谢您阅读本文，如需帮助请联系我们！
R语言混合模型回归GBTM群组轨迹模型绘图可视化研究
MATLAB贝叶斯优化混合Bayes-CNN-RNN分析股票市场数据与浅层网络超参数优化
R语言贝叶斯分析：INLA 、MCMC混合模型、生存分析肿瘤临床试验、间歇泉喷发时间数据应用|附数据代码
