MC, MCMC, Gibbs采样 原理&实现（in R）

来自：http://blog.csdn.net/abcjennifer/article/details/25908495

本文用讲一下指定分布的随机抽样方法：MC(Monte Carlo), MC(Markov Chain), MCMC(Markov Chain Monte Carlo)的基本原理，并用R语言实现了几个例子：

1. Markov Chain （马尔科夫链）

2. Random Walk（随机游走）

3. MCMC具体方法：

     3.1 M-H法

     3.2 Gibbs采样 

PS：本篇blog为ese机器学习短期班参考资料（20140516课程），课上讲详述。

下面三节分别就前面几点简要介绍基本概念，并附上代码。这里的概念我会用最最naive的话去概括，详细内容就看我最下方推荐的链接吧(*^__^*) 

0. MC(Monte Carlo) 

     生成指定分布的随机数的抽样。

1. Markov Chain （马尔科夫链）

     假设 f(t) 是一个时间序列，Markov Chain是假设f(t+1)只与f(t)有关的随机过程。

     Implement in R:

 #author: rachel @ ZJU
 #email: [email protected]

 N = 10000
 signal = vector(length = N)
 signal[1] = 0
 for (i in 2:N)
 {
     # random select one offset (from [-1,1]) to signal[i-1]
     signal[i] = signal[i-1] + sample(c(-1,1),1)
 }

 plot( signal,type = 'l',col = 'red')

2. Random Walk（随机游走）

如布朗运动，只是上面Markov Chain的二维拓展版：

Implement in R:

 #author: rachel @ ZJU
 #email: [email protected]

 N = 100
 x = vector(length = N)
 y = vector(length = N)
 x[1] = 0
 y[1] = 0
 for (i in 2:N)
 {
     x[i] = x[i-1] + rnorm(1)
     y[i] = y[i-1] + rnorm(1)
 }


 plot(x,y,type = 'l', col='red')

3. MCMC具体方法：

    

MCMC方法最早由Metropolis（1954）给出，后来Metropolis的算法由Hastings改进，合称为M-H算法。M-H算法是MCMC的基础方法。由M-H算法演化出了许多新的抽样方法，包括目前在MCMC中最常用的Gibbs抽样也可以看做M-H算法的一个特例[2]。

概括起来，MCMC基于这样的理论，在满足【平衡方程】（detailed balance equation）条件下，MCMC可以通过很长的状态转移到达稳态。

【平衡方程】：

pi(x) * P(y|x) = pi(y) * P(x|y)

其中pi指分布，P指概率。这个平衡方程也就是表示条件概率（转化概率）与分布乘积的均衡.

 3.1 M-H法

1. 构造目标分布，初始化x0

2. 在第n步，从q(y|x_n) 生成新状态y

3. 以一定概率（(pi(y) * P(x_n|y)) / (pi(x) * P(y|x_n))）接受y <PS: 看看上面的平衡方程，这个概率表示什么呢？参考这里和[1]>

implementation in R:

 #author: rachel @ ZJU
 #email: [email protected]

 N = 10000
 x = vector(length = N)
 x[1] = 0

 # uniform variable: u
 u = runif(N)
 m_sd = 5
 freedom = 5

 for (i in 2:N)
 {
     y = rnorm(1,mean = x[i-1],sd = m_sd)
     print(y)
     y = rt(1,df = freedom)

     p_accept = dnorm(x[i-1],mean = y,sd = abs(2*y+1)) / dnorm(y, mean = x[i-1],sd = abs(2*x[i-1]+1))
     #print (p_accept)


     if ((u[i] <= p_accept))
     {
         x[i] = y
         print("accept")
     }
     else
     {
         x[i] = x[i-1]
         print("reject")
     }
 }

 plot(x,type = 'l')
 dev.new()
 hist(x)

  3.2 Gibbs采样 

第n次，Draw  from ，迭代采样结果接近真实p(\theta_1, \theta_2, ...)

也就是每一次都是固定其他参数，对一个参数进行采样。比如对于二元正态分布，其两个分量的一元条件分布仍满足正态分布：

那么在Gibbs采样中对其迭代采样的过程，实现如下：

 #author: rachel @ ZJU
 #email: [email protected]
 #define Gauss Posterior Distribution

 p_ygivenx <- function(x,m1,m2,s1,s2)
 {
     return (rnorm(1,m2+rho*s2/s1*(x-m1),sqrt(1-rho^2)*s2 ))
 }

 p_xgiveny <- function(y,m1,m2,s1,s2)
 {
     return  (rnorm(1,m1+rho*s1/s2*(y-m2),sqrt(1-rho^2)*s1 ))
 }


 N = 5000
 K = 20 #iteration in each sampling
 x_res = vector(length = N)
 y_res = vector(length = N)
 m1 = 10; m2 = -5; s1 = 5; s2 = 2
 rho = 0.5
 y = m2

 for (i in 1:N)
 {
     x = p_xgiveny(y, m1,m2,s1,s2)
     y = p_ygivenx(x, m1,m2,s1,s2)
     # print(x)
     x_res[i] = x;
     y_res[i] = y;
 }

 hist(x_res,freq = 1)
 dev.new()
 plot(x_res,y_res)
 library(MASS)
 valid_range = seq(from = N/2, to = N, by = 1)
 MVN.kdensity <- kde2d(x_res[valid_range], y_res[valid_range], h = 10) #估计核密度
 plot(x_res[valid_range], y_res[valid_range], col = "blue", xlab = "x", ylab = "y")
 contour(MVN.kdensity, add = TRUE)#二元正态分布等高线图

 #real distribution
 # real = mvrnorm(N,c(m1,m2),diag(c(s1,s2)))
 # dev.new()
 # plot(real[1:N,1],real[1:N,2])

x分布图：

(x,y)分布图：

Reference:

1. http://www2.isye.gatech.edu/~brani/isyebayes/bank/handout10.pdf

2. http://site.douban.com/182577/widget/notes/10567181/note/292072927/

3. book:     http://statweb.stanford.edu/~owen/mc/

4. Classic： http://cis.temple.edu/~latecki/Courses/RobotFall07/PapersFall07/andrieu03introduction.pdf