Mārkova ķēžu Montekarlo (MCMC)
Mārkova ķēžu Montekarlo (MCMC) ir aprēķinu algoritmu saime, kas paredzēta paraugu ņemšanai no sarežģītiem varbūtības sadalījumiem, visbiežāk no posteriēriem sadalījumiem, kas rodas Bajesas inferencē. Tā vietā, lai aprēķinātu posteriērus analītiski — kas reti ir iespējams reālistiskiem modeļiem — MCMC konstruē Mārkova ķēdi, kuras stacionārais sadalījums ir mērķa posteriērs, un iegūst no tā atkarīgus paraugus, tādējādi nodrošinot pilnīgu varbūtības inferenci gandrīz jebkuram modelim.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
+25 more
Avoti
- 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
Kā citēt šo lapu
ScholarGate. (2026, June 1). Markov Chain Monte Carlo. ScholarGate. https://scholargate.app/lv/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.
- Brojesa modeļu vidējais svērumsBajesa metodes↔ compare
- Beijesiskā regresijaBajesa metodes↔ compare
- Variacionālā secinājumiBajesa metodes↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →