标记为 sampling 的帖子
使用自定义步长方法从局部共轭后验分布中采样
- 17 November 2020
马尔可夫链蒙特卡洛 (MCMC) 采样方法是现代贝叶斯推断的基础。 PyMC 利用哈密顿蒙特卡洛 (HMC)，这是一种强大的采样算法，可以有效地探索高维后验分布。与更简单的 MCMC 方法不同，HMC 利用对数后验密度的梯度来做出智能提议，使其能够有效地对具有数百或数千个参数的复杂后验进行采样。 HMC 的一个关键优势是其通用性——它可以与任意先验分布和似然函数一起使用，而无需共轭对或闭式解。这一点至关重要，因为大多数现实世界的模型都涉及先验和似然，它们的乘积无法通过解析积分来获得后验分布。 HMC 的梯度引导提议使其比早期依赖随机游走或简单提议分布的 MCMC 方法效率更高。