最近学习了机器学习中的马尔科夫链蒙特卡洛(Markov Chain Monte Carlo, 简称MCMC) 相关的知识。
主要内容包括:
【1】蒙特卡洛原则,及其应用于采样的必要性
【2】用于求解最大似然、近似推断、期望问题的经典采样算法:Metropolis-Hastings,Rejection,Importan,Metropolis和Gibbs算法。
【3】马尔可夫链各个性质在蒙特卡洛采样问题中的应用,包括同质性,平移不变性
————————————————【1】——————————————————
MC采样的基本想法是,选择一个样本,用一个简单问题近似复杂的混合问题。对于一个复杂分布,使用从中获得的样本来表示该分布,而不是直接猜测该分布。
首先学习复杂分布与近似推断approximate inference的例子:
【需要采样的第一类场景】贝叶斯推断与学习:假设未知变量x,已知数据y,下列难以处理的整合问题是贝叶斯统计的中心问题。
1、正态化问题
已知p(x)先验,似然p(y|x),为求得后验概率p(x|y),需要计算贝叶斯理论中的正态系数: