共计 865 个字符，预计需要花费 3 分钟才能阅读完成。
原文链接：http://tecdat.cn/?p=6690
原文出处：拓端数据部落公众号
在最近的一篇文章中，我形容了一个 Metropolis-in-Gibbs 采样器，用于预计贝叶斯逻辑回归模型的参数。
这篇文章就此问题进行了钻研，以展现 Rcpp 如何帮忙克服这一瓶颈。TLDR：只需用 C ++ 编写 log-posterior 而不是矢量化 R 函数，咱们就能够大大减少运行工夫。
我模仿了模型的数据：
对于这个剖析，我编写了两个 Metropolis-Hastings（MH）采样器：sample\_mh（）和 sample\_mh\_cpp（）。前者应用对数后验编码作为向量化 R 函数。后者应用 C ++（log\_post.cpp）中的 log-posterior 编码，并应用 Rcpp 编译成 R 函数。Armadillo 库对 C ++ 中的矩阵和向量类很有用。
因而，在每次迭代中，提出了系数向量。上面用红线示意链，示意生成数据的参数值。
burnin <- 1000
iter <- 100000
p <- ncol(X)
cpp(X, Y, iter = iter, jump = .03)
par(mfrow=c(2,2))
plot(mh_cpp\[\[1\]\]\[burnin:iter,'intercept'\])
abline(h= -1, col='red')
仿佛趋同。均匀承受概率在采样运行中收敛到约 20%。
那么 Rcpp 实现与 R 实现相比如何呢？Rcpp 的运行工夫显著较低。当 log-posterior 被编码为矢量化 R 函数时，采样器绝对于 Rcpp 实现运行速度大概慢 7 倍（样本大小为 100）。下图显示了样本大小为 100 到 5000 的绝对运行工夫，增量为 500。
for(i in 1:length(s){benchmark(mh(X, Y, iter = iter)
time\[i\] <- time/rcpp
plot(ss, time)
直观地说，C ++ 带来了一些效率增益。但很显著，Rcpp 是解决代码瓶颈的好办法。
十分感谢您浏览本文，有任何问题请在上面留言！
正文完