【机器学习概率统计】15 基于马尔科夫链的近似采样

最新推荐文章于 2023-12-20 15:38:16 发布

石溪

最新推荐文章于 2023-12-20 15:38:16 发布

阅读量2.3k

点赞数 5

分类专栏：机器学习中的数学：概率统计机器学习中的数学（全集）文章标签：自然语言处理神经网络数据挖掘机器学习深度学习

本文链接：https://blog.csdn.net/weixin_43716250/article/details/109706573

版权

机器学习中的数学（全集）同时被 2 个专栏收录

76 篇文章 676 订阅 ¥99.00 ¥99.00

订阅专栏

超级会员免费看

机器学习中的数学：概率统计

22 篇文章 331 订阅 ¥49.00 ¥99.00

订阅专栏

超级会员免费看

本文深入探讨基于马尔科夫链的近似采样过程，强调马尔科夫链稳态在采样中的关键作用。通过动态演示和实例分析，阐述了马尔科夫链的稳态分布与采样的关系，以及如何通过数值模拟实现采样。文章介绍了采样思路，包括大数定理的应用，时间和空间分布的一致性，并详细说明了采样过程的实施步骤，指出实际采样中的挑战在于如何找到对应目标分布的马尔科夫链。

摘要由CSDN通过智能技术生成

从这一小节开始，我们主要来介绍基于马尔科夫链的近似采样过程。具体如何采样，以及整个采样过程中的思维过程，我们随着这节的内容讲解而逐步展开。

1.再看马尔科夫链的稳态

在基于马尔科夫链的采样过程中，发挥核心关键作用的是马尔科夫链的稳态以及稳态分布。稳态的概念，我们在之前的内容中已经详细的讲解过了，为了充分理解他，用好它，我们在这里动态的演示一下一个指定的马尔科夫链的状态转移以及最终到达稳态的过程。

通过下面这段代码运行出来的实际效果，大家会非常直观的理解马尔科夫链的稳态。

代码片段：

import numpy as np
import matplotlib.pyplot as plt
import seaborn
seaborn.set()

transfer_matrix = np.array([[0.7, 0.1, 0.2],
			    [0.3, 0.5, 0.2],
			    [0.1, 0.3, 0.6]], dtype='float32')

start_state_array = np.array([[0.50, 0.30, 0.20],
			      [0.13, 0.28, 0.59],
			      [0.10, 0.85, 0.05]], dtype='float32')

trans_step = 10

for i in range(3):
    stat