No-U-Turn Sampler (NUTS)
No-U-Turn Sampler (NUTS) ir pašregulējošs Markova ķēdes Monte Karlo (MCMC) algoritms, ko 2014. gadā ieviesa Hofmans un Dželmāns (Hoffman and Gelman). Tas paplašina Hamiltona Monte Karlo (HMC) metodi, automātiski nosakot optimālo lēkšķēru (leapfrog) soļu skaitu un tādējādi novēršot visjutīgāko manuālās regulēšanas parametru. NUTS ir noklusējuma paraugu ņemšanas algoritms Stan un PyMC vidēs, un tas ir padarījis liela mēroga, augstdimensionālu Beijesa inferenci praktiski pieejamu, neprasot lietotājiem manuāli iestatīt trajektorijas garumu.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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
Kā citēt šo lapu
ScholarGate. (2026, June 3). No-U-Turn Sampler (NUTS). ScholarGate. https://scholargate.app/lv/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.
- Beijesiskā regresijaBajesa metodes↔ compare
- Hamiltona MontekarloBajesa metodes↔ compare
- Mārkova ķēžu Montekarlo (MCMC)Bajesa metodes↔ compare
- Variacionālā secinājumiBajesa metodes↔ compare
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →