Марковски Монте Карло вериги (MCMC)
Марковски Монте Карло вериги (MCMC) е семейство от изчислителни алгоритми за вземане на извадки от сложни вероятностни разпределения, най-често от апостериорните разпределения, които възникват при Байесов извод. Вместо да се изчисляват апостериорни разпределения аналитично — което рядко е възможно за реалистични модели — MCMC конструира Марковска верига, чието стационарно разпределение е целевото апостериорно разпределение, и извлича зависими извадки от него, което позволява пълен вероятностен извод за практически всеки модел.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
+25 more
Източници
- Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A. & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). CRC Press. ISBN: 978-1439840955
- Brooks, S., Gelman, A., Jones, G. & Meng, X.-L. (Eds.). (2011). Handbook of Markov Chain Monte Carlo. CRC Press. ISBN: 978-1420079418
Как да цитирате тази страница
ScholarGate. (2026, June 1). Markov Chain Monte Carlo. ScholarGate. https://scholargate.app/bg/bayesian/mcmc
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Байесовско осредняване на модели (Bayesian Model Averaging, BMA)Бейсови методи↔ compare
- Байесов регресионен моделБейсови методи↔ compare
- Вариационен инференсБейсови методи↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →