Dynamisk Hamiltonsk Monte Carlo
Dynamisk Hamiltonsk Monte Carlo – allmänt känd som No-U-Turn Sampler (NUTS) – är en adaptiv utökning av Hamiltonsk Monte Carlo som automatiskt väljer antalet "leapfrog"-integrationssteg under varje MCMC-övergång. Detta eliminerar behovet av att manuellt justera den mest känsliga inställningsparametern i standard-HMC. Det är standard-samplern i Stan och PyMC och är lämplig för kontinuerliga, differentierbara posteriorfördelningar av måttlig till hög dimension.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Metodkarta
Närområdet av besläktade metoder — välj en nod för att utforska.
Källor
- 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(1), 1593–1623. link ↗
- 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
Så citerar du den här sidan
ScholarGate. (2026, June 3). Dynamic Hamiltonian Monte Carlo (No-U-Turn Sampler). ScholarGate. https://scholargate.app/sv/bayesian/dynamic-hamiltonian-monte-carlo
Vilken metod?
Placera den här metoden bredvid sina närmaste släktingar och läs dem sida vid sida — biblioteket lägger fram böckerna på bordet; valet är ditt.
- Bayesiansk regressionBayesiansk statistik↔ jämför
- Gibbs samplingBayesiansk statistik↔ jämför
- Hamiltonian Monte CarloBayesiansk statistik↔ jämför
- Sekventiell Monte CarloBayesiansk statistik↔ jämför
- VariationsinferensBayesiansk statistik↔ jämför
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →