MCMC un izlases ģenerēšana
48 metodes šajā saimē.
Izceltās
Bajesiešu dinamiskā nosacītā korelācijas GARCH (Bayesian DCC-GARCH)Bayesian DCC-GARCH estimates time-varying correlations across multiple financial or economic series by combining Engle's DCC-GARCH structure with Bayesian inference. Rather than maBeiziešu Gausa maisījuma modelisThe Bayesian Gaussian Mixture Model places prior distributions over all mixture parameters and infers their posteriors — typically via Variational Bayes or MCMC — rather than fittiBeiesa filogenētiskā analīzeBayesian phylogenetic analysis uses Bayes' theorem and Markov chain Monte Carlo (MCMC) sampling to estimate the posterior probability distribution over phylogenetic trees and modelBeieziešu Probit modelisThe Bayesian Probit model is a binary regression method that models the probability of a binary outcome using the normal CDF (probit link) within a Bayesian framework. It assigns pDinamiskā Hamiltona Monte Karlo metodeDynamic Hamiltonian Monte Carlo — widely known as the No-U-Turn Sampler (NUTS) — is an adaptive extension of Hamiltonian Monte Carlo that automatically selects the number of leapfrDinamiskais Metropolis-Hastingsa algoritmsThe Dynamic Metropolis-Hastings (Dynamic MH) algorithm applies the Metropolis-Hastings MCMC sampler to Bayesian state-space and time-varying parameter models. At each time step, la
Lasīšanas ceļš
Šīs tēmas visbiežāk citētās pamatmetodes to izstrādes secībā — vieta, kur sākt, ja esat šeit iesācējs.
Visas metodes 48
Bajesiešu dinamiskā nosacītā korelācijas GARCH (Bayesian DCC-GARCH)Beiziešu Gausa maisījuma modelisBeiesa filogenētiskā analīzeBeieziešu Probit modelisDinamiskā Hamiltona Monte Karlo metodeDinamiskais Metropolis-Hastingsa algoritmsDinamiskais daļiņu filtrsDinamiskā secīgā Montekarlo metodeGibbs SamplingGibbs paraugšanas metodes model̦u salīdzināšanaiGibbsa atlase ar mērījumu kļūduGibsa paraugu ņemšana ar trūkstošiem datiemHamiltona MontekarloHamiltonian Monte Carlo ar kļūdu mērījumosHamiltonian Monte Carlo ar trūkstošiem datiemHamiltonian Monte Carlo (Hierarchical HMC) hierarhiskā modelēšanaHierarchical Markov Chain Monte CarloHierarhiskais daļiņu filtrsMārkova ķēžu Montekarlo (MCMC)MCMC modeļu salīdzināšanaiMCMC ar mērījumu kļūduMCMC ar trūkstošiem datiemMetropolis-Hastings algoritmsMetropolis-Hastings algoritms modeļu salīdzināšanaiMetropolis-Hastings algoritms ar mērījumu kļūduMetropolis-Hastings ar trūkstošiem datiemDaudzlīmeņu Gibsa paraugu ņemšanaDaudzlīmeņu Hamiltona Monte KarloDaudzlīmeņu MCMCMultilevel Metropolis-HastingsNo-U-Turn Sampler (NUTS)Particle Filter (Sequential Monte Carlo)Daļiņu filtrs ar mērījumu kļūduDaļiņu filtrs ar trūkstošiem datiemRobust Gibbs SamplingRobustā Hamiltona Monte Karlo metodeRobusta Markova ķēžu Montekarlo metodeIzturīgais daļiņu filtrsRobust Sequential Monte CarloSekvenciālā Monte Karlo metodeSekvenciālā Montekarlo metode ar mērījumu kļūduSekvenciālā Monte Karlo metode ar trūkstošiem datiemŠlūžu izlaseTelpiskā Gibssas izlaseTelpiskā MCMCLaika rindu MCMCLaika rindu daļiņu filtrsLaika sēriju secīgā Montekarlo metode