Dynamisk Hamiltonsk Monte Carlo
Dynamisk Hamiltonsk Monte Carlo — almindeligt kendt som No-U-Turn Sampler (NUTS) — er en adaptiv udvidelse af Hamiltonsk Monte Carlo, der automatisk vælger antallet af leapfrog-integrationstrin under hver MCMC-transition, hvilket fjerner behovet for manuelt at finjustere den mest følsomme tuningparameter i standard HMC. Det er standard-sampler i Stan og PyMC og er velegnet til kontinuerlige, differentierbare posterior-fordelinger af moderat til høj dimension.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Metodekort
Nabolaget af beslægtede metoder — vælg en knude for at udforske.
Kilder
- Hoffman, M. D. & Gelman, A. (2014). The No-U-Turn Sampler: Adaptively setting path lengths in Hamiltonian Monte Carlo. Journal of Machine Learning Research, 15(1), 1593–1623. link ↗
- Neal, R. M. (2011). MCMC using Hamiltonian dynamics. In S. Brooks, A. Gelman, G. Jones & X.-L. Meng (Eds.), Handbook of Markov Chain Monte Carlo (pp. 113–162). CRC Press. ISBN: 978-1420079418
Sådan citerer du denne side
ScholarGate. (2026, June 3). Dynamic Hamiltonian Monte Carlo (No-U-Turn Sampler). ScholarGate. https://scholargate.app/da/bayesian/dynamic-hamiltonian-monte-carlo
Hvilken metode?
Stil denne metode ved siden af dens nærmeste slægtninge, og læs dem side om side — biblioteket lægger bøgerne på bordet; valget er dit.
- Bayesiansk regressionBayesiansk↔ sammenlign
- Gibbs SamplingBayesiansk↔ sammenlign
- Hamiltonian Monte CarloBayesiansk↔ sammenlign
- Sekventiel Monte CarloBayesiansk↔ sammenlign
- VariationsinferensBayesiansk↔ sammenlign
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →