No-U-Turn Sampler (NUTS)
No-U-Turn Sampler (NUTS) ialah algoritma Markov chain Monte Carlo (MCMC) yang menala sendiri, diperkenalkan oleh Hoffman dan Gelman (2014), yang melanjutkan Hamiltonian Monte Carlo (HMC) dengan menentukan secara automatik bilangan optimum langkah leapfrog, sekali gus menghapuskan parameter talaan manual yang paling sensitif. NUTS ialah pensampel lalai dalam Stan dan PyMC dan telah menjadikan inferens Bayesian berskala besar dan berdimensi tinggi boleh diakses secara praktikal tanpa memerlukan pengguna menetapkan panjang trajektori secara manual.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- 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
Cara memetik halaman ini
ScholarGate. (2026, June 3). No-U-Turn Sampler (NUTS). ScholarGate. https://scholargate.app/ms/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.
- Regresi BayesianBayesian↔ compare
- Hamiltonian Monte CarloBayesian↔ compare
- Markov Chain Monte Carlo (MCMC)Bayesian↔ compare
- Inferens VariasiBayesian↔ compare
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →