Dynamisches Hamiltonsches Monte-Carlo-Verfahren
Dynamisches Hamiltonsches Monte-Carlo-Verfahren – weithin bekannt als No-U-Turn Sampler (NUTS) – ist eine adaptive Erweiterung des Hamiltonschen Monte-Carlo-Verfahrens, die automatisch die Anzahl der Leapfrog-Integrationsschritte während jedes MCMC-Übergangs wählt und somit die Notwendigkeit der manuellen Abstimmung des empfindlichsten Tuning-Parameters des Standard-HMC überflüssig macht. Es ist der Standard-Sampler in Stan und PyMC und eignet sich für kontinuierliche, differenzierbare Posterior-Verteilungen moderater bis hoher Dimension.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Methodenkarte
Die Nachbarschaft verwandter Methoden — wählen Sie einen Knoten, um sie zu erkunden.
Quellen
- 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
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Dynamic Hamiltonian Monte Carlo (No-U-Turn Sampler). ScholarGate. https://scholargate.app/de/bayesian/dynamic-hamiltonian-monte-carlo
Welche Methode?
Stellen Sie diese Methode neben ihre nächsten Verwandten und lesen Sie sie nebeneinander — die Bibliothek legt die Bücher auf den Tisch; die Wahl liegt bei Ihnen.
- Bayes'sche RegressionBayes-Statistik↔ vergleichen
- Gibbs-SamplingBayes-Statistik↔ vergleichen
- Hamiltonian Monte CarloBayes-Statistik↔ vergleichen
- Sequentielle Monte-Carlo-MethodenBayes-Statistik↔ vergleichen
- Variationelle InferenzBayes-Statistik↔ vergleichen
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →