Markov Chain Monte Carlo (MCMC)
Markov Chain Monte Carlo (MCMC) เป็นกลุ่มของอัลกอริทึมการคำนวณสำหรับการสุ่มตัวอย่างจากการแจกแจงความน่าจะเป็นที่ซับซ้อน โดยส่วนใหญ่คือการแจกแจงภายหลัง (posterior distributions) ที่เกิดขึ้นในการอนุมานแบบเบย์เซียน (Bayesian inference) แทนที่จะคำนวณการแจกแจงภายหลังแบบวิเคราะห์ ซึ่งแทบเป็นไปไม่ได้สำหรับโมเดลที่สมจริง MCMC จะสร้างลูกโซ่มาร์คอฟ (Markov chain) ที่มีการแจกแจงแบบคงที่ (stationary distribution) เป็นการแจกแจงภายหลังเป้าหมาย และทำการสุ่มตัวอย่างแบบขึ้นต่อกัน (dependent samples) จากการแจกแจงนั้น ทำให้สามารถทำการอนุมานเชิงความน่าจะเป็นได้อย่างสมบูรณ์สำหรับโมเดลแทบทุกชนิด
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
+25 more
แหล่งอ้างอิง
- 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
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 1). Markov Chain Monte Carlo. ScholarGate. https://scholargate.app/th/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.
- การเฉลี่ยแบบจำลองแบบเบย์ (Bayesian Model Averaging - BMA)เบย์↔ compare
- การถดถอยแบบเบย์ (Bayesian Regression)เบย์↔ compare
- การอนุมานแบบแปรผันเบย์↔ compare