Гамильтоновский Монте-Карло с пропущенными данными
Гамильтоновский Монте-Карло с пропущенными данными расширяет градиентный сэмплер HMC для обработки неполных наблюдений путем рассмотрения пропущенных значений как дополнительных неизвестных параметров. Апостериорное распределение по параметрам модели и пропущенным значениям сэмплируется совместно за один эффективный проход, используя информацию градиента для исследования многомерного совместного пространства с гораздо меньшим числом отвергнутых предложений, чем у случайных блужданий MCMC.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Карта метода
Окружение родственных методов — выберите узел, чтобы перейти к нему.
Источники
- Neal, R. M. (2011). MCMC using Hamiltonian dynamics. In S. Brooks, A. Gelman, G. Jones & X.-L. Meng (Eds.), Handbook of Markov Chain Monte Carlo (pp. 113-162). CRC Press. ISBN: 978-1420079418
- Gelman, A., Carlin, J. B., Stern, H. S., Dunson, D. B., Vehtari, A. & Rubin, D. B. (2013). Bayesian Data Analysis (3rd ed.). CRC Press. Chapter 18: Missing-data imputation. ISBN: 978-1439840955
Как цитировать эту страницу
ScholarGate. (2026, June 3). Hamiltonian Monte Carlo with Missing Data Imputation. ScholarGate. https://scholargate.app/ru/bayesian/hamiltonian-monte-carlo-with-missing-data
Какой метод?
Поставьте этот метод рядом с ближайшими родственными и прочитайте их бок о бок — библиотека выкладывает книги на стол, а выбор за вами.
- Байесовский вывод при наличии пропущенных данныхБайесовские методы↔ сравнить
- Сэмплирование Гиббса для пропущенных данныхБайесовские методы↔ сравнить
- Гамильтонов Монте-КарлоБайесовские методы↔ сравнить
- MCMC с пропущенными даннымиБайесовские методы↔ сравнить
- Множественная импутацияСтатистика↔ сравнить
- Вариационный вывод с пропущенными даннымиБайесовские методы↔ сравнить
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →