Метод Монте-Карло по цепям Маркова (MCMC)
Метод Монте-Карло по цепям Маркова (MCMC) — это семейство вычислительных алгоритмов для выборки из сложных распределений вероятностей, чаще всего из апостериорных распределений, возникающих в байесовском выводе. Вместо аналитического вычисления апостериорных распределений (что редко возможно для реалистичных моделей) MCMC строит цепь Маркова, стационарным распределением которой является целевое апостериорное распределение, и извлекает из неё зависимые выборки, обеспечивая полный вероятностный вывод практически для любой модели.
Читать метод полностью
Войдите с бесплатным аккаунтом, чтобы прочитать этот раздел.
Method map
The neighbourhood of related methods — select a node to explore.
+25 more
Источники
- 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
Как цитировать эту страницу
ScholarGate. (2026, June 1). Markov Chain Monte Carlo. ScholarGate. https://scholargate.app/ru/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.
- Байесовское усреднение моделейБайесовские методы↔ compare
- Байесовская регрессияБайесовские методы↔ compare
- Вариационный выводБайесовские методы↔ compare
Упоминается в
Нашли ошибку на этой странице? Сообщите о ней или предложите исправление →