No-U-Turn Sampler (NUTS)
Der No-U-Turn Sampler (NUTS) ist ein selbstoptimierender Markov-Chain-Monte-Carlo-Algorithmus, der von Hoffman und Gelman (2014) eingeführt wurde und den Hamiltonian Monte Carlo (HMC) erweitert, indem er automatisch die optimale Anzahl von Leapfrog-Schritten bestimmt und somit den empfindlichsten manuellen Tuning-Parameter eliminiert. NUTS ist der Standard-Sampler in Stan und PyMC und hat die großskalige, hochdimensionale Bayes'sche Inferenz praktisch zugänglich gemacht, ohne dass Benutzer die Trajektorienlängen von Hand festlegen müssen.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
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(47), 1593–1623. link ↗
- Neal, R. M. (2011). MCMC using Hamiltonian dynamics. In S. Brooks, A. Gelman, G. L. Jones, & X.-L. Meng (Eds.), Handbook of Markov Chain Monte Carlo (pp. 113–162). CRC Press. DOI: 10.1201/b10905-6 ↗
- 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: 978-1-4398-4095-5
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). No-U-Turn Sampler (NUTS). ScholarGate. https://scholargate.app/de/bayesian/no-u-turn-sampler
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.
- Bayes'sche RegressionBayes-Statistik↔ compare
- Hamiltonian Monte CarloBayes-Statistik↔ compare
- Markov-Kette Monte Carlo (MCMC)Bayes-Statistik↔ compare
- Variationelle InferenzBayes-Statistik↔ compare
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →