知识卡片
只知道条件分布也能采样
有些多维分布很难直接抽样,但每个变量的条件分布却容易写出来。吉布斯采样的办法是:取一个有效初值,然后轮流用条件分布更新各坐标——用当前的 y 抽新的 x,再用新的 x 抽新的 y,反复多轮,最后留下的 (x, y) 就近似服从联合分布。整个过程只调用一维条件分布,不需要知道联合分布的解析式。掷两只骰子时,已知第一个骰子点数求总和很容易,已知总和反推第一个骰子却要分区间讨论,这个反方向的麻烦正是吉布斯要绕开的。代价是前期样本要丢弃(预热),相邻样本高度相关,收敛也没有简单的通用保证。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第21章 自然语言处理 · 查看原书依据
可以用以下代码得到一些正态分布的随机变量: inverse_normal_cdf(random.random()) 但是,有些分布很难进行抽样。当我们只知道一些条件分布时,可以通过吉布斯采样从多维分布中生成样本。
参考来源
- 位置:《数据科学入门(第2版)》第21章 自然语言处理(源文件:extracted/数据科学入门(第2版)/_epub-src/OEBPS/Text/0025.xhtml)
- 结论依据:原文这一段直接给出本卡的核心判断:「可以用以下代码得到一些正态分布的随机变量: inverse_normal_cdf……」
- 原始内容:可以用以下代码得到一些正态分布的随机变量: inverse_normal_cdf(random.random()) 但是,有些分布很难进行抽样。当我们只知道一些条件分布时,可以通过吉布斯采样从多维分布中生成样本。