标记为 step method 的帖子
使用自定义步进方法从局部共轭后验分布中抽样
- 2020年11月17日
马尔可夫链蒙特卡洛 (MCMC) 抽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)，这是一种强大的抽样算法，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进行智能提议，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抽样。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，它们的乘积无法进行解析积分以获得后验分布。HMC 的梯度引导提议使其比依赖于随机游走或简单提议分布的早期 MCMC 方法效率更高。