Python贝叶斯推断Metropolis-Hastings（M-H）MCMC采样算法的实现

原文链接：http://tecdat.cn/?p=25376

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)

# 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。

---

最受欢迎的见解

1.matlab使用贝叶斯优化的深度学习

2.matlab贝叶斯隐马尔可夫hmm模型实现

3.R语言Gibbs抽样的贝叶斯简单线性回归仿真

4.R语言中的block Gibbs吉布斯采样贝叶斯多元线性回归

5.R语言中的Stan概率编程MCMC采样的贝叶斯模型

6.Python用PyMC3实现贝叶斯线性回归模型

7.R语言使用贝叶斯 层次模型进行空间数据分析

8.R语言随机搜索变量选择SSVS估计贝叶斯向量自回归（BVAR）模型

9.matlab贝叶斯隐马尔可夫hmm模型实现