机器学习(六)采样方法

最新推荐文章于 2024-08-21 20:54:16 发布

Dynomite

最新推荐文章于 2024-08-21 20:54:16 发布

阅读量3.8k

点赞数

分类专栏：机器学习文章标签：机器学习采样方法

本文链接：https://blog.csdn.net/Dynomite/article/details/81000912

版权

本文介绍了机器学习中的采样方法，包括蒙特卡洛积分、拒绝采样和重要性采样。蒙特卡洛积分利用大数定律近似复杂积分；拒绝采样通过提议分布和接受条件实现，但存在高拒绝率问题；重要性采样针对难以直接采样的分布，利用易采样分布进行转换。文章还提到了均匀分布和Box-Muller变换在生成随机数中的应用。

摘要由CSDN通过智能技术生成

机器学习(六)采样方法

6.1 蒙特卡洛数值积分
计算 $f(x)$ 的积分时， $\int_a^bf(x)dx$ 复杂不好求，可采用蒙特卡洛积分来近似
思想：
$\int_a^bf(x)dx=\int_a^b\frac{f(x)}{q(x)}q(x)dx$ ，把 $q(x)$ 作为概率分布， $\frac{f(x)}{q(x)}$ 作为函数
在 $q(x)$ 下抽取n个样本，当n足够大时，可以均值 $\frac{1}{n}\sum_i\frac{f(x_i)}{q(x_i)}$ 来近似积分