为什么需要拒绝采样?
当很难直接从已知的密度函数 f ( x ) f(x) f(x) 采样时,我们就可以使用拒绝采样,通过从建议分布 g ( x ) g(x) g(x) 生成样本并根据一定的接受-拒绝准则来保留或拒绝这些样本,从而得到符合 f ( x ) f(x) f(x) 的样本。在特别是高维或复杂的分布,一个简单的、我们知道如何采样的分布(如均匀分布或标准正态分布)可能更容易处理。拒绝采样为我们提供了一种桥梁,使用易于采样的分布来近似我们真正感兴趣的复杂分布。
原理解释
假设你有一个单位圆,半径为1,中心在原点。你的目标是从这个圆内均匀地采样点。但你只知道如何从其包围的正方形(边长为2,从-1到1)中均匀地采样点。
拒绝采样的方法如下:
- 均匀撒点:随机选择一个点,其x和y坐标都是从-1到1的均匀分布。
- 接受或拒绝:检查这个点是否在单位圆内。最简单的方法是计算点到原点的距离,如果距离小于或等于1,那么这个点就在圆内;否则,它在正方形内,但不在圆内。
- 重复:继续此过程,直到你获得了所需数量的在圆内的点。
如果你尝试这个过程,你会发现大约有四分之一的点被拒绝(因为正方形的面积是4,而圆的面积是π,所以接受率大约是π/4)。但这完全取决于你如何选择你的“建议分布”和你的“目标分布”——在这个例子中,是正方形和圆。
具体步骤
- 选择一个建议分布 g ( x ) g(x) g(x)
- 找到一个常数 c c c ,使得对于所有 t t t , f ( t ) > 0 f(t) > 0 f(t)>0 ,满足 f ( t ) / g ( t ) ≤ c f(t)/g(t) \le c f(t)/g(t)≤c 。
- 重复以下步骤,直到得到所需数量的样本:
从建议分布 g ( x ) g(x) g(x) 生成随机值 y y y 。
从 Uniform(0, 1) 分布生成一个随机 u u u 。
如果 u < f ( y ) c g ( y ) u < \frac{f(y)}{cg(y)} u<cg(y)f(y) ,接受 y y y ,并代入 x = y x=y x=y ;否则拒绝 y y y
我们可以用以下公式描述给定一个样本 Y Y Y 的情况下,它被接受的概率。
P ( a c c e p t ∣ Y ) = P ( U < f ( Y ) c g ( Y ) ∣ Y ) = f ( Y ) c g ( Y ) P(accept|Y)=P(U< \frac{f(Y)}{cg(Y)}|Y) = \frac{f(Y)}{cg(Y)} P(accept∣Y)=P(U<cg(Y)f(Y)∣Y)=cg(Y)f(Y)
P
(
U
<
f
(
Y
)
c
g
(
Y
)
∣
Y
)
P(U< \frac{f(Y)}{cg(Y)}|Y)
P(U<cg(Y)f(Y)∣Y) 这表示,给定样本
Y
Y
Y 的情况下,随机数
U
U
U 小于
f
(
Y
)
c
g
(
Y
)
\frac{f(Y)}{cg(Y)}
cg(Y)f(Y) 的概率。
f
(
Y
)
c
g
(
Y
)
\frac{f(Y)}{cg(Y)}
cg(Y)f(Y) :这是接受
Y
Y
Y 的实际概率。直观地说,这比较了我们真正感兴趣的目标分布
f
(
Y
)
f(Y)
f(Y) 和调整后的提议分布
c
×
g
(
Y
)
c \times g(Y)
c×g(Y) 之间的关系。如果
f
(
Y
)
f(Y)
f(Y) 在某个点
Y
Y
Y 的值很高,而
g
(
Y
)
g(Y)
g(Y) 的值相对较低,那么这个比率就会接近1,这意味着在这个点上几乎总是接受样本。
例子
使用拒绝采样从 B e t a ( α = 2 , β = 2 ) Beta(\alpha = 2, \beta = 2) Beta(α=2,β=2) 分布中采样的R代码:
reject_sample <- function(n) {
samples <- numeric(0)
while (length(samples) < n) {
y <- runif(1, 0, 1) # 建议分布
u <- runif(1, 0, 1) # 决定是否接受这个样本
px <- dbeta(y, 2, 2) # Density of Beta(2, 2)
qx <- 1 # Density of U(0, 1)
C <- 2
if (u <= px / (C * qx)) {
samples <- c(samples, y)
}
}
return(samples)
}
# Generate 1000 samples from Beta(2, 2)
samples <- reject_sample(1000)
绘图:
# 绘制拒绝采样生成的样本的直方图
hist(samples, probability = TRUE, breaks = 30, col = rgb(0.2, 0.8, 0.5, 0.5), main = "Samples from Beta(2, 2) using Rejection Sampling", xlab = "x", ylab = "Density")
# 添加理论的 Beta(2, 2) 密度曲线
curve(dbeta(x, 2, 2), add = TRUE, col = "red", lwd = 2)
# 添加图例
legend("topright", legend = c("Sampled", "Theoretical"), fill = c(rgb(0.2, 0.8, 0.5, 0.5), "red"))