欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

采样-Gibbs采样

程序员文章站 2024-03-08 10:15:34
...

MCMC蒙特卡洛马尔科夫链采样,非常重要的采样算法,而Gibbs算法也是MCMC种的一种,主要用于高维分布的采样。介绍MCMC的书籍有很多,https://victorfang.wordpress.com/2014/04/29/mcmc-the-gibbs-sampler-simple-example-w-matlab-code/这是有关Gibbs采样matlab的一个实现,里面也介绍了gibbs采样的优缺点,缺点就是你得有高维分布它的条件分布的通项,如果它的条件分布不太好采样的话,可以使用拒绝采样来sample.Gibbs采样的算法我就不给了,因为网上有好多。

本文主要是在python上实现Gibbs采样,我们设定的是二维标准高斯分布的采样,其条件分布如下:

采样-Gibbs采样

我画的图是动态图,代码如下:

  1. import matplotlib.pyplot as plt
  2. from scipy import stats
  3. import numpy as np
  4. #为了方便操作,我们定义如下参数:
  5. #建立个字典吧
  6. #下面给的是标准正太分布,你可以修改参数
  7. u1=0
  8. u2=0
  9. sigma_11=1
  10. sigma_12=0
  11. sigma_21=0
  12. sigma_22=1
  13. sample=[]
  14. u=np.array([u1,u2],dtype=np.float32)
  15. sigma=np.array([[sigma_11,sigma_12],[sigma_21,sigma_22]],dtype=np.float32)
  16. def x1_given_x2(x2):
  17. u_cond=u1+sigma_12/sigma_22*(x2-u2)
  18. sigma_cond=sigma_11-sigma_12/sigma_22*sigma_21
  19. return stats.norm.rvs(loc=u_cond,scale=sigma_cond,size=1)
  20. def x2_given_x1(x1):
  21. u_cond = u2 + sigma_12 / sigma_11 * (x1 - u1)
  22. sigma_cond = sigma_22 - sigma_12 / sigma_11 * sigma_12
  23. return stats.norm.rvs(loc=u_cond, scale=sigma_cond, size=1)
  24. def Gibbs_Sampling(initial,size):
  25. sample.append(initial)
  26. for i in range(size):
  27. if i%2==0:
  28. x1=x1_given_x2(sample[-1][1])
  29. sample.append([x1,sample[-1][1]])
  30. continue
  31. else:
  32. x2=x2_given_x1(sample[-1][0])
  33. sample.append([sample[-1][0],x2])
  34. return sample
  35. #初始样本点,我是自己定义的,你可以随机初始化
  36. initial=np.array([5,8],dtype=np.float32)
  37. b=Gibbs_Sampling(initial,151)
  38. b=np.array(b)
  39. for i in range(len(b)):
  40. plt.cla()
  41. plt.plot(b[0:i+1,0],b[0:i+1,1])
  42. plt.pause(0.03)#停顿时间,你可以调整
  43. fig2=plt.figure()
  44. ax=fig2.gca()
  45. ax.scatter(b[:,0],b[:,1])
  46. plt.show()

采样过程的图片如下:

 采样-Gibbs采样

采样结束后得到的样本如下:

采样-Gibbs采样 

 

 

相关标签: 统计学