python实现Metropolis采样算法实例

最新推荐文章于 2024-05-08 09:49:57 发布

David-Chow

最新推荐文章于 2024-05-08 09:49:57 发布

阅读量7.1k

点赞数 7

分类专栏：机器学习

本文链接：https://blog.csdn.net/qq_23981335/article/details/89950979

版权

机器学习专栏收录该内容

22 篇文章

订阅专栏

马尔可夫链蒙特卡罗（Markov Chain Monte Carlo ，MCMC ）方法主要算法有：Metropolis-Hastings （MH）算法、Metropolis采样算法，以及吉布斯采样方法，后两者都可以看作是MH算法的特例。

Metropolis-Hastings （MH）算法

步骤：

Metropolis采样算法

步骤和MH算法一样，只是利用的提议分布是对称的，即：=，所以分子分母中可以约掉。

仿真

目的：用标准正态分布（提议分布）模拟另外一个标准正态分布（目标分布），我们想生成符合这个密度函数的随机采样。（这里再强调一下，我们的提议分布函数为 proposal distribution，是比较好采样的，目标函数 target distribution 是不好采样的，我们通过好采样的函数采样，然后判断采到的样本是否被接受）；

目标分布：μ=0，σ=5的正态分布；

提议分布：μ= 采样点处，σ=2的正态分布。

import numpy as np
import matplotlib.pyplot as plt
from scipy import stats

np.random.seed(42)
x=np.linspace(-20,20,100)
# raw_y=stats.expon(scale=1).pdf(x)
raw_y=stats.norm.pdf(x,0,5)

Samp_Num=10000
result=[]
init=1
result.append(init)
# p=lambda r:stats.expon(scale=1).pdf(r)
p=lambda r:stats.norm.pdf(r,0,5)
q=lambda v:stats.norm.rvs(loc = v,scale = 2, size = 1)

for i in range(Samp_Num):
    xstar=q(result[i])
    alpha=min(1,p(xstar)/p(result[i]))
    u=np.random.rand(1)
    if u<alpha:
        result.append(xstar)
    else:
        result.append(result[i])
    print(i)

n, bins, patches = plt.hist(result, 50, density=1, facecolor='blue', alpha=0.5)
plt.plot(x,raw_y)
plt.show()