LegközelebbKövetkező útmutató
Monte Carlo Fakeresés
Műszaki
Műszaki ÚTMUTATÓ
A Monte Carlo Markov-lánc (MCMC) egy gondosan megtervezett Markov-lánc függő húzását használja, hogy megközelítse a céleloszlás, gyakran Bayes-féle utólagos elvárásokat.
Hallgassa meg ezt az útmutatótAI-narrált · ~3 min
Metropolis-Hastings és Gibbs mintavételezéssel ilyen láncokat hoznak létre, de a hasznos becslésekhez oda kell figyelni a keverésre, a hatékony mintaméretre és a konvergenciadiagnosztikára.
Sok utólagos eloszlásból nem lehet közvetlenül mintát venni egy egyszerű független rajzolási módszerrel. Az MCMC egy Markov-láncot épít, amelynek hosszú távú helyhez kötött elosztása a cél. Minden új állapot az aktuális állapottól függ, és megfelelő körülmények között a húzások átlagai megközelíthetik az utólagos elvárásokat. Mivel a sorsolások függőek, a mentett sorok száma nem egyezik meg a független információk mennyiségével. A Metropolis-Hastings-ben az ajánlateloszlás jelölt államot javasol. Az algoritmus elfogadja a jelöltet a célsűrűségek arányán alapuló valószínűséggel, és ha a javaslat aszimmetrikus, akkor az előre és fordított ajánlati valószínűségek korrekciójával. Ha elutasítja, a lánc megismétli az előző állapotot. A szimmetrikus véletlenszerű séta javaslat leegyszerűsíti az arányt, de egy rosszul skálázott javaslat túl ritkán mozog, vagy nem hatékony lépéseket tehet. A Gibbs-mintavétel egy speciális feltételes-frissítési megközelítés: mintavételez minden változót a teljes feltételes változóiból, figyelembe véve a többi változó aktuális értékét. Akkor működik, ha ezek a feltételes eloszlások rendelkezésre állnak, és a lánc megfelelő tulajdonságokkal rendelkezik. Képzeljen el egy egydimenziós célt, ahol az ajánlatokat gyakran elutasítják, mert a lépések mérete túl nagy. A lánc megismétli az állapotokat, növelve az autokorrelációt és csökkentve a tényleges mintaméretet. A nagyon kis lépések gyakran elfogadhatók, de lassan felfedezhetők. Az elfogadás és a mozgás között kompromisszum van, és a diagnosztikának meg kell vizsgálnia, hogy a különböző láncok ugyanazokat a régiókat kutatják-e. A kezdeti bemelegítés elvetése csökkentheti az inicializálástól való függést, de nincs rögzített számú húzás, amely garantálná a konvergenciát. Futtasson több láncot szétszórt kiindulási pontokból, ellenőrizze a nyomkövetési parcellákat, és vizsgálja meg az R-kalapot és a tényleges mintaméretet a fontos mennyiségek tekintetében. Ez a diagnosztika nem képes feltárni az összes patológiát, különösen elkülönült módok vagy rosszul feltárt farok esetén. Vizsgálja meg a mintavevő-specifikus figyelmeztetéseket és a Monte Carlo hibát is. Az MCMC véges szimulációból becsüli meg a numerikus bizonytalanságot; nem szüntetik meg a bizonytalanságot a statisztikai modellben vagy az adatokban. Jelentse be, hogy miből vettek mintát, hogyan diagnosztizálták, és mely utólagos összefoglalók elég megbízhatóak a döntéshez.
Egy hipotetikus utólagosnak két paramétere van, amelyek egymással korrelálnak. A Metropolis-Hastings egy közeli jelöltet javasol, és elfogadja azt a cél-sűrűség arány és a javaslatkorrekció szerint; az elutasított javaslatok a jelenlegi állapotában hagyják el a láncot.
A Gibbs-mintavevő úgy frissít egy paramétert, hogy a feltételes eloszlásából merít, figyelembe véve az összes többi paraméter aktuális értékét. A feltételes frissítések ismétlése közös láncot hoz létre, ha a mintavevő feltételei teljesülnek.
Egy csapat több láncot futtat az elszórt kezdeti értékekből, és összehasonlítja a nyomkövetési diagramokat, a rangra normalizált R-kalapot és a tömeges/farok hatékony mintaméreteket. A hasonló eszközök önmagukban nem tekinthetők annak bizonyítékának, hogy minden lánc feltárta a célpontot.
Kétezer erősen autokorrelált húzás kevesebb információt tartalmazhat, mint ugyanennyi független húzás. Az effektív mintanagyság megbecsüli ezt az információveszteséget az érdeklődésre számot tartó mennyiségre.
A Bayes-analízisek a láncszámlálás, a bemelegítés, az R-kalap, a tömeges és a farok ESS, a Monte Carlo-hibák és a mintavevő figyelmeztetések utólagos összefoglaló jelentésével kommunikálhatják a szimuláció megbízhatóságát. A csapatoknak a tényleges becsléseikhez kötött diagnosztikát kell választaniuk, beleértve a végvalószínűségeket is, amikor a döntések ritka eseményeken múlnak. Ha a láncok nem értenek egyet, vagy lassan vizsgálják, csak a geometria és a mintavevő viselkedésének megértése után terjessze ki a mintavételezést. A jobb automatizált diagnosztika rávilágít a problémákra, de a lektoroknak továbbra is meg kell vizsgálniuk a modell szerkezetét és a nyomkövetési viselkedést. Ez véges számítási korlátokat tesz láthatóvá, ahelyett, hogy egy utólagos becslést mutatna be, mintha pontos számítás lenne.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
A Monte Carlo Markov-lánc (MCMC) egy gondosan megtervezett Markov-lánc függő húzását használja, hogy megközelítse a céleloszlás, gyakran Bayes-féle utólagos elvárásokat. Metropolis-Hastings és Gibbs mintavételezéssel ilyen láncokat hoznak létre, de a hasznos becslésekhez oda kell figyelni a keverésre, a hatékony mintaméretre és a konvergenciadiagnosztikára.
A Markov-lánc egymás utáni húzásokat köt össze, így az autokorreláció csökkenti a mintaméret által képviselt független információt.
Az elfogadási arány a q(aktuális|jelölt)/q(jelölt|aktuális) értéket tartalmazza a pályázati aszimmetria kijavításához.
Minden Gibbs-lépés egy teljes feltételes feltételből merít a fennmaradó változók aktuális értékeiből.
A különböző kezdeti állapotok segítenek annak diagnosztizálásában, hogy a láncok konvergálnak-e és keverednek-e egy közös céleloszlásban.
Az ESS összefoglalja, hogy a független mintákkal összehasonlítva mennyi információtól függő húzás biztosít egy mennyiséget.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
Monte Carlo Fakeresés
Műszaki