MCMC笔记：蒙特卡罗方法

0 前言：关于采样

0.1 采样的动机

1）采样可能本身就是任务

2）求和或者求积分

 0.2 什么是好的样本？

1）样本趋向于高概率的区域

2）样本是相互独立的

0.3 采样是困难的

1）概率分布函数很复杂，导致采样困难

2）高维变量不易采样

1 介绍

蒙特卡洛方法（Monte Carlo Method）：基于采样的随机近似方法。

该方法旨在求得复杂概率分布下的期望值：

其中zi是从概率分布p(z∣x) 中取的样本，也就是从概率分布中取N个点来近似计算这个积分。
 

但是，由于p(z∣x) 比较复杂，所以有的时候我们可能不知道应该怎么采样。

注：这里的z|x，有些地方直接写成z，表示的是一个意思

2 采样方法

2.1 概率分布采样

• a.求得概率密度函数PDF的累计密度函数CDF
• b.求CDF的反函数
• c.在0-1之间均匀取样，带入反函数，得到取样点

        以上图为例，左图为概率密度函数，右图为相应的累计密度函数（也就是从负无穷到相应点的概率密度函数的累加和）

        不难发现累计密度函数的取值范围是[0,1]。同时 因为均匀分布易于采样，所以我们可以从均匀分布U(0,1)之间随机采样，采样的点作为cdf的值域，找到相应的x。这些x就是我们的样本点。

        换一种思路考虑就是，pdf大的位置，cdf“上升”得快，那么“占据”值域的区间就长，随机取样后就更易于停留在这些值域上，那么对应位置的x被采样到的概率也就比较大。

        但是，大部分PDF很难求得CDF。。。

2.2 拒绝采样

         对于较复杂的概率分布 p(z) ，引入简单的提议分布（proposal distribution）q(z)，使得对任意的 ，然后对q(z) 进行采样获得样本。

         这里的M是一个常数，因为如果没有M的话p和q都是概率密度函数，那么概率密度函数的积分恒为1，所以不可能一个恒大于另一个的。

        人为构造的q需要是一个采样容易的分布。

 

        以上图为例（上图的k就是我们前面说的M ），如果落在白色的区域，那么这个点可以选取，如果落在阴影区域，那么这个点不能选取。

        这个的意思就是是否落在白色区域内 

优点：容易实现
缺点：采样效率可能不高

如果p(z)的涵盖体积占Mq(z)的涵盖体积的比例很低，就会导致拒绝的比例很高，抽样效率很低。

一般在高维空间抽样，会遇到维度灾难的问题，即使p(z)与Mq(z)很接近，两者涵盖体积的差异也可能很大。
 

 2.3 重要性采样

不对z采样，直接对他的期望进行采样

于是在q(z)中采样，并通过权重计算和。

 缺点：权重⾮常⼩的时候，效率非常低

2.4 Sampling Importance Resampling

        这种方法，首先和上面⼀样进行采样，然后在采样出来的N个样本中，重新采样，这个重新采样，使⽤每个样本点的权重作为概率分布进行采样。

参考资料：机器学习-白板推导系列(十三)-MCMC（Markov Chain Monte Carlo）_哔哩哔哩_bilibili