Pertanyaan yang diberi tag «gibbs»

Sampler Gibbs adalah bentuk sederhana dari simulasi Markov Chain Monte Carlo, banyak digunakan dalam statistik Bayesian, berdasarkan pengambilan sampel dari distribusi bersyarat penuh untuk setiap variabel atau kelompok variabel. Nama ini berasal dari metode yang pertama kali digunakan pada pemodelan bidang acak Gibbs gambar oleh Geman dan Geman (1984).

1
Pengambilan sampel Gibbs untuk model Ising
Pertanyaan pekerjaan rumah: Pertimbangkan model Ising 1-d. Biarkan . adalah -1 atau +1x=(x1,...xd)x=(x1,...xd)x = (x_1,...x_d)xixix_i π(x)∝e∑39i=1xixi+1π(x)∝e∑i=139xixi+1\pi(x) \propto e^{\sum_{i=1}^{39}x_ix_{i+1}} Desain algoritma pengambilan sampel gibbs untuk menghasilkan sampel kira-kira dari target distribusi .π(x)π(x)\pi(x) Usaha saya: Pilih nilai secara acak (-1 atau 1) untuk mengisi vektor . Jadi mungkin . Jadi ini .x=(x1,...x40)x=(x1,...x40)x …


2
Kebingungan terkait pengambilan sampel Gibbs
Saya menemukan artikel ini di mana dikatakan bahwa dalam pengambilan sampel Gibbs setiap sampel diterima. Saya sedikit bingung. Bagaimana jika setiap sampel yang diterima itu konvergen ke distribusi stasioner. Secara umum Algoritma Metropolis kami terima sebagai min (1, p (x *) / p (x)) di mana x * adalah titik …

2
Hitung kurva ROC untuk data
Jadi, saya memiliki 16 percobaan di mana saya mencoba untuk mengotentikasi seseorang dari sifat biometrik menggunakan Hamming Distance. Ambang batas saya diatur ke 3.5. Data saya di bawah dan hanya percobaan 1 yang Benar-Benar Positif: Trial Hamming Distance 1 0.34 2 0.37 3 0.34 4 0.29 5 0.55 6 0.47 …
9 mathematical-statistics  roc  classification  cross-validation  pac-learning  r  anova  survival  hazard  machine-learning  data-mining  hypothesis-testing  regression  random-variable  non-independent  normal-distribution  approximation  central-limit-theorem  interpolation  splines  distributions  kernel-smoothing  r  data-visualization  ggplot2  distributions  binomial  random-variable  poisson-distribution  simulation  kalman-filter  regression  lasso  regularization  lme4-nlme  model-selection  aic  r  mcmc  dlm  particle-filter  r  panel-data  multilevel-analysis  model-selection  entropy  graphical-model  r  distributions  quantiles  qq-plot  svm  matlab  regression  lasso  regularization  entropy  inference  r  distributions  dataset  algorithms  matrix-decomposition  regression  modeling  interaction  regularization  expected-value  exponential  gamma-distribution  mcmc  gibbs  probability  self-study  normality-assumption  naive-bayes  bayes-optimal-classifier  standard-deviation  classification  optimization  control-chart  engineering-statistics  regression  lasso  regularization  regression  references  lasso  regularization  elastic-net  r  distributions  aggregation  clustering  algorithms  regression  correlation  modeling  distributions  time-series  standard-deviation  goodness-of-fit  hypothesis-testing  statistical-significance  sample  binary-data  estimation  random-variable  interpolation  distributions  probability  chi-squared  predictor  outliers  regression  modeling  interaction 

2
Rao-Blackwellization of Gibbs Sampler
Saat ini saya memperkirakan model volatilitas stokastik dengan metode Markov Chain Monte Carlo. Dengan demikian, saya menerapkan metode pengambilan sampel Gibbs dan Metropolis. Dengan asumsi saya mengambil rata-rata distribusi posterior daripada sampel acak dari itu, apakah ini yang biasa disebut sebagai Rao-Blackwellization ? Secara keseluruhan, ini akan menghasilkan pengambilan rata-rata …

1
Bisakah saya subsampel dataset besar di setiap iterasi MCMC?
Masalah: Saya ingin melakukan sampling Gibbs untuk menyimpulkan beberapa posterior lebih dari dataset besar. Sayangnya, model saya tidak terlalu sederhana dan dengan demikian pengambilan sampel terlalu lambat. Saya akan mempertimbangkan pendekatan variasional atau paralel, tetapi sebelum melangkah sejauh itu ... Pertanyaan: Saya ingin tahu apakah saya dapat sampel secara acak …

1
Apa cara yang benar untuk menulis jaring elastis?
Saya bingung tentang cara yang benar untuk menulis jaring elastis. Setelah membaca beberapa makalah penelitian, tampaknya ada tiga bentuk 1) exp{ -λ1|βk| -λ2β2k}exp⁡{-λ1|βk|-λ2βk2}\exp\{-\lambda_1|\beta_k|-\lambda_2\beta_k^2\} 2)exp{ -(λ1|βk| +λ2β2k)σ2√}exp⁡{-(λ1|βk|+λ2βk2)σ2}\exp\{-\frac{(\lambda_1|\beta_k|+\lambda_2\beta_k^2)}{\sqrt{\sigma^2}}\} 3)exp{ -(λ1|βk| +λ2β2k)2σ2}exp⁡{-(λ1|βk|+λ2βk2)2σ2}\exp\{-\frac{(\lambda_1|\beta_k|+\lambda_2\beta_k^2)}{2\sigma^2}\} Saya hanya tidak mengerti cara yang benar untuk menambahkan . Apakah ada dari ungkapan di atas yang benar?σ2σ2\sigma^2

1
Apakah metode pengambilan sampel "pentingnya Gibbs" berfungsi?
Saya curiga ini adalah pertanyaan yang tidak biasa dan bersifat eksploratif, jadi tolong ajukan pertanyaan ini kepada saya. Saya bertanya-tanya apakah seseorang dapat menerapkan gagasan pentingnya pengambilan sampel untuk pengambilan sampel Gibbs. Inilah yang saya maksud: dalam pengambilan sampel Gibbs, kami mengubah nilai satu variabel (atau blok variabel) pada suatu …

1
Kernel transisi Gibbs Sampler
Membiarkan ππ\pimenjadi target distribusi pada yang benar-benar secara kontinyu berkaitan dengan ukuran Lebesgue dimensional, yaitu:(Rd, B(Rd) )(Rd,B(Rd))(\mathbb{R}^d,\mathcal{B}(\mathbb{R^d}))ddd ππ\pi mengakui kepadatan wrt untuk dengan π(x1, . . . ,xd)π(x1,...,xd)\pi(x_1,...,x_d)λdλd\lambda^dλd( dx1, . . . , dxd) = λ ( dx1) ⋅ ⋅ ⋅ λ ( dxd)λd(dx1,...,dxd)=λ(dx1)⋅⋅⋅λ(dxd)\lambda^d(dx_1,...,dx_d) = \lambda(dx_1) \cdot \cdot \cdot \lambda …

1
Estimasi Bayesian dari parameter distribusi Dirichlet
Saya ingin memperkirakan parameter model campuran Dirichlet menggunakan sampling Gibbs dan saya punya beberapa pertanyaan tentang itu: Apakah campuran dari distribusi Dirichlet setara dengan proses Dirichlet? Apa perbedaan utama mereka jika tidak? Juga, jika saya ingin memperkirakan parameter distribusi Dirichlet tunggal, distribusi parameter mana yang harus dipilih sebagai prior dalam …
Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.