Gibbs-otanta
Gibbs-otanta on Markov-ketjuun perustuva Monte Carlo -algoritmi, joka approksimoi korkeaulotteista posteriorijakaumaa piirtämällä toistuvasti jokaisen parametrin sen täydellisestä ehdollisesta jakaumasta, kun kaikki muut parametrit ja data tunnetaan. Koska jokainen otos on tarkka ehdollisesta jakaumasta – ei ehdotus, joka voidaan hylätä – otantamenetelmä on tehokas, kun nämä ehdolliset jakaumat ovat saatavilla suljetussa muodossa.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
+23 more
Lähteet
- Geman, S. & Geman, D. (1984). Stochastic relaxation, Gibbs distributions, and the Bayesian restoration of images. IEEE Transactions on Pattern Analysis and Machine Intelligence, 6(6), 721-741. DOI: 10.1109/TPAMI.1984.4767596 ↗
- Gelfand, A. E. & Smith, A. F. M. (1990). Sampling-based approaches to calculating marginal densities. Journal of the American Statistical Association, 85(410), 398-409. DOI: 10.1080/01621459.1990.10476213 ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 3). Gibbs Sampling Markov Chain Monte Carlo. ScholarGate. https://scholargate.app/fi/bayesian/gibbs-sampling
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.
- Bayesilainen regressioBayesilainen tilastotiede↔ compare
- Hamiltonin Monte CarloBayesilainen tilastotiede↔ compare
- Hierarkkinen Bayesiläinen päättelyBayesilainen tilastotiede↔ compare
- Markov-ketju-Monte Carlo (MCMC)Bayesilainen tilastotiede↔ compare
- VariaatioinferenssiBayesilainen tilastotiede↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →