Python可视化解析MCMC

最新推荐文章于 2024-08-08 16:43:27 发布
最新推荐文章于 2024-08-08 16:43:27 发布
阅读量1.4k 收藏 8
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42232219/article/details/102549971
版权
本文介绍了马尔可夫链的概念，通过可视化展示状态转移，并探讨了不变分布及其在马尔可夫链蒙特卡罗（MCMC）方法中的作用。文章提供Python代码示例，模拟马尔可夫链并生成随机过程，展示如何通过MCMC方法抽样难以直接采样的分布。
摘要由CSDN通过智能技术生成

点击阅读原文，查看精彩日程！

作者 | Valentina Alto
译者 | 陆离
出品 | Python大本营（ID:pythonnews）

马尔可夫链（Markov Chain），又称为离散时间马尔可夫链，可以定义为一个随机过程Y，在某时间t上的任何一个点的值仅仅依赖于在时间t-1上的值。这就表示了我们的随机过程在时间t上具有状态x的概率，如果给出它之前所有的状态，那么就相当于在仅给出它在时间t-1的状态的时候，在时间t上具有状态x的概率。

640?wx_fmt=png

如果可能的状态集S是有限的，那么，我们可以提供马尔可夫链的可视化表示结果，如下图所示：

640?wx_fmt=png

上图中的每个圆圈都代表了一个状态，在这种情况下S={A, B, C}，而箭头则表示过程从一个状态跳到另一个状态的概率。我们可以在一个称为“转移矩阵”P中收集所有的这些概率数据，如下图所示：

640?wx_fmt=png

那么，就有:

640?wx_fmt=png

然后，在每个时间点上，我们可以描述过程的（无条件的）概率分布，这将是一个向量，其分量数等于S的维数。每个分量表示我们的过程取值等于给定状态的无条件概率。也就是:

最低0.47元/天 解锁文章
Python大本营
关注
python转移矩阵_在Python中生成马尔可夫转移矩阵
weixin_39535125的博客
12-08 1402
Imagine I have a series of 4 possible Markovian states (A, B, C, D):X = [A, B, B, C, B, A, D, D, A, B, A, D, ....]How can I generate a Markov transformation matrix using Python? The matrix must be 4 b...
【可视化】python绘制马尔可夫链，绘制关系图，但是有问题
weixin_43316345的博客
11-24 1298
【可视化】python绘制马尔可夫链，绘制关系图，但是存在一些问题，E1-->E1的边小的看不见，不知道如何解决？
Python入门必备知识总结（建议收藏再用）
最新发布
Python_trys的博客
08-08 1240
python 是一种面向对象的解释性计算机程序设计语言。python由荷兰人Guido van Rossum 于1989年发明。1991年，第一个Python编译器诞生。它是用C语言实现的，并能够调用C语言的库文件。从一出生，Python已经具有了：类，函数，异常处理，包含表和词典在内的核心数据类型，以及模块为基础的拓展系统。1994年1月 python 1.0诞生，增加lambda，map，filter and reduce1999年，python web的鼻祖 Zope 1 发布。
python马尔可夫链_Python中的马尔可夫链（初学者）
weixin_31688273的博客
01-30 1210
我是python的新手，正在尝试构造markov链。其他的例子展示了对象实例的用法，我还没有走那么远。我还没有做随机选择的价值部分，但基本上，我对我的输出这段代码到目前为止的损失。在filename = open("dr-suess.txt")def make_list(filename):"""make file a list and a list of tuple tup_pairs"""fi...
基于Python构建土地利用转移矩阵及完成Markov预测
sinat_35763722的博客
06-10 3196
助教课遇到这个题目，用python写了一个，放在这里备忘吧。
马尔科夫状态转移矩阵的一个性质，以及一个直观的图形证明
Khaotik的专栏
06-15 8411
先简单提下马尔科夫链（具体描述有很多，不赘述）： 1. 每个时间点处在某一个状态，时间是离散的。 2. 每次到下一个时间点时按照图进行随机状态转移。 3. (最有用的)假如某时的状态是个统计分布（看做向量），那么用状态转移矩阵（图里头边的权值）乘这个向量就得下一时刻的状态。 现在想说明一下，不管初始状态是神马概率分布，拿这个状态转移矩阵没完没了去乘它，总有一天这个状态向量肯定会达到
马尔可夫链预测 (Markov Chain)
m0_63024355的博客
09-24 1705
人寿保险公司把人的健康状态分为健康和疾病两种，以一年为一个时段，研究健康状态的转变。假设对某一年龄段的人来说，今年健康，明年继续保持健康的概率为0.8，即明年转为疾病的概率为0.2;而今年患病，明年转为健康的概率为0.7，即明年继续保持疾病状态的概率为0.3。
马尔可夫链你知道多少？Python可视化解析MCMC
chen801090的博客
10-14 825
马尔可夫链（Markov Chain），又称为离散时间马尔可夫链，可以定义为一个随机过程Y，在某时间t上的任何一个点的值仅仅依赖于在时间t-1上的值。这就表示了我们的随机过程在时间t上具有状态x的概率，如果给出它之前所有的状态，那么就相当于在仅给出它在时间t-1的状态的时候，在时间t上具有状态x的概率。 如果可能的状态集S是有限的，那么，我们可以提供马尔可夫链的可视化表示结果，如下图所示： 上...
基础的MH_mh采样；python_
10-01
4. **Python科学计算库**： 如NumPy用于数值计算，Pandas用于数据处理，以及Matplotlib或Seaborn用于数据可视化，这些库在实现MH采样过程中可能会用到。 5. **高斯分布**： 高斯分布，也称正态分布，具有均值μ和...
mcmc-ks：ゼロからできるMCMC
02-16
5. **数据可视化**：在MCMC中，可视化是至关重要的，它可以帮助我们理解马尔科夫链的收敛性、样本的分布以及模型的性能。 6. **收敛诊断**：在应用MCMC时，我们需要检查链是否已经收敛到目标分布，例如通过观察...
markovstatemodel：一个简单的马尔可夫状态模型的演示
02-10
马尔可夫状态模型的构建与验证 该存储库显示了一个简单的马尔可夫状态模型的演示。 尽管该项目本身保持相当通用，但这里研究的系统是受生物物理学启发的。 这里涵盖的问题是粒子在双势势中的一维运动，如下所示。 然后将系统分为两个核心状态“左”和“右”： 然后，根据这样定义的状态是否产生有效的马尔可夫状态模型（MSM），对这两个状态的动力学进行了研究。 代码本身包含在这两个文件MSM_simulation.py和plotting_functions.py ，而结果可在jupyter笔记本中可以看出markov_state_model.ipynb 。 笔记本包含一些乳胶方程，在github上打开时无法正确显示。 因此，如果您想浏览整个项目，则最好至少下载jupyter笔记本，以查看正确格式化的所有markdown单元。
信息论与编码_陈运主编答案完整
11-27
信息论与编码_陈运主编答案完整
MATLAB马氏链分析工具
leida_wt的博客
07-22 3518
本文整理下齐次有限状态离散时间马氏链的相关基础内容并及MATLAB中提供的与之相关的性质。 MATLAB马氏链工具包 MATLAB在Econometrics Toolbox中提供dtmc类，可绘制状态转移图、判断遍历性等等 基本性质 为进行状态分类，先引入一组重要性质和定义 实践上，对于可 ...
Python3简单实现图像风格迁移
m0_67373485的博客
03-10 801
利用CNN逐层提取图像的特征（层越靠后提取出的特征越高级和稳定，即更能表现图片的高级语义信息），并且将某一层或某几层输出的Gram矩阵作为损失函数，来衡量两幅图像之间的内容/风格差异（T_T就是两幅图像分别经过相同的卷积神经网络，比较某一层或者某几层输出的Gram矩阵的差异）。T_T之前似乎发过类似的文章，那时候是用Keras实现的，现在用的PyTorch，而且那时候发的内容感觉有些水，于是我决定。以及一些Python自带的模块。T_T相关文件中提供了所需的预训练模型，若嫌弃官网的下载速度，可以下载我的。
LaTeX 画自动机
qq1024407215的博客
03-23 4453
每次用 latex 画自动机都要去翻原来画的，神麻烦，干脆直接把代码放上来得了。 \begin{tikzpicture}[->,>=stealth',shorten >=1pt,auto,node distance=2cm, thick,base node/.style={circle,draw,minimum size=16pt}, real node/.style={double,cir
马尔科夫过程中的状态转移
liixnhai的博客
06-30 1171
马尔科夫链 它假设了一个“随机冲浪者”模型，冲浪者从某张网页出发，根据 Web 图中的链接关系随机访问。在每个步骤中，冲浪者都会从当前网页的链出网页中，随机选取一张作为下一步访问的目标。 此外，PageRank 还引入了随机的跳转操作，这意味着冲浪者不是按 Web 图的拓扑结构走下去，只是随机挑选了一张网页进行跳转 PageRank 是基于马尔科夫链的。 PageRank pi​ 表示第 i 张网页，Mi​ 是 pi​ 的入链接集合，pj​ 是 Mi​ 集合中的第 j 张网页。PR(pj​)​ 表示网页
概率图模型（马尔可夫模型）
qq_32172681的博客
08-25 7539
一、马尔可夫过程 1、马尔可夫过程 一个马尔科夫过程就是指过程中的每个状态的转移只依赖于之前的n个状态，这个过程被称为1个n阶的模型，其中n是影响转移状态的数目。最简单的马尔科夫过程就是一阶过程，每一个状态的转移只依赖于其之前的那一个状态。 2、马尔可夫链 马尔可夫链是随机变量X1,X2,X3…的一个数列。这些变量的范围，即他们所有可能取值的集合，被称为状态空间。 设表示随机...
马尔可夫链的常返态和非常返态-零常返态
热门推荐
平凡小智
09-13 3万+
一 非常返状态的定义 设I={1、2、3、4}，转移概率如图1所示，可以计算出状态2和状态3有相同的周期d=2。但由状态3出发经两步必定返回到3，而状态2则不然，当状态2转移到状态3后，便不可以返回到状态2，因此为了区分着两种状态，引入了常返性概念。 记 （1） 显然由马氏链性质于齐次性上式右方与m无关。它表示质点由状态i出发，经n步首次到达状态j的概率，也称为首中概率（或首达概率）。记 （2） 它表示指点由状态i出发，经有限步终于到达状态j的概率。 图1 马尔可夫链 上图1中的.
python实现Dream MCMC
05-30
以下是Python实现Dream MCMC的基本步骤： 1. 定义目标函数，即需要采样的分布。 2. 初始化模型参数，并定义参数的先验分布。 3. 初始化多个马尔可夫链，每个链都有自己的参数值。 4. 每个链都进行一次随机游走，即使用差分进化算法更新参数值。 5. 计算每个链的接受概率，并根据概率接受或拒绝新的参数值。 6. 根据每个链的接受与否，更新其他链的参数值。 7. 重复步骤4-6，直到满足停止准则（如达到最大迭代次数或链的自相关系数小于某个阈值）。 以下是一个简单的Python实现Dream MCMC的代码示例： ```python import numpy as np from scipy.stats import norm # 定义目标分布，这里以正态分布为例 def target_logpdf(x): return norm.logpdf(x, loc=0, scale=1) # 定义先验分布，这里使用均匀分布 def prior_logpdf(x): return np.log(1 / (10 * np.sqrt(2 * np.pi))) - 0.5 * (x ** 2 / 10 ** 2) # 定义差分进化算法 def differential_evolution(chain, target_logpdf, prior_logpdf, scale=0.1): n_chains, n_params = chain.shape # 随机选择三个不同的链 idxs = np.random.choice(n_chains, size=(3, n_chains), replace=True) # 计算新的候选参数值 candidates = chain[idxs[0]] + scale * (chain[idxs[1]] - chain[idxs[2]]) # 计算接受概率 logprobs = target_logpdf(candidates) + prior_logpdf(candidates) - target_logpdf(chain) - prior_logpdf(chain) accept = logprobs > np.log(np.random.uniform(size=n_chains)) # 更新参数值 chain = np.where(accept[:, np.newaxis], candidates, chain) return chain # 定义Dream MCMC算法 def dream_mcmc(n_chains, n_params, target_logpdf, prior_logpdf, n_iterations=1000, burn_in=100): # 初始化模型参数 chain = np.random.normal(size=(n_chains, n_params)) # 初始化马尔可夫链的缩放因子 scales = np.ones(n_chains) # 迭代Dream MCMC算法 for i in range(n_iterations): # 使用差分进化算法更新参数值 chain = differential_evolution(chain, target_logpdf, prior_logpdf, scale=0.01 * scales) # 计算每个链的接受概率，并根据概率接受或拒绝新的参数值 logprobs = target_logpdf(chain) + prior_logpdf(chain) accept_probs = np.exp(logprobs - np.max(logprobs)) accept = np.random.uniform(size=n_chains) < accept_probs # 更新缩放因子 scales = np.where(accept, scales * 2, scales / 2) # 根据每个链的接受与否，更新其他链的参数值 idxs = np.random.choice(n_chains, size=n_chains, replace=True) chain[idxs] = np.where(accept[idxs, np.newaxis], chain, chain[idxs]) # 输出采样结果 if i >= burn_in and i % 100 == 0: print("Iteration", i, "Acceptance rate", np.mean(accept)) return chain # 运行Dream MCMC算法 chain = dream_mcmc(n_chains=10, n_params=1, target_logpdf=target_logpdf, prior_logpdf=prior_logpdf) ``` 以上代码仅供参考，实际使用时需要根据具体问题进行修改和优化。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值