原文链接：http://tecdat.cn/?p=25376

Metropolis-Hastings 算法对概率分布进行采样以产生一组与原始散布成比例的轨迹。

首先，指标是什么？MCMC的指标是从某个概率分布中抽取样本，而不须要晓得它在任何一点的确切概率。MCMC实现这一指标的形式是在该散布上 "彷徨"，使在每个地点破费的工夫与散布的概率成正比。如果 "彷徨 "过程设置正确，你能够确保这种比例关系（破费的工夫和散布的概率之间）得以实现

为了可视化算法的工作原理，咱们在二维中实现它

plt.style.use('ggplot')

首先，让咱们创立并绘制任意指标散布

tart = np.append

plt.histplt.text

当初让咱们写出算法。请留神，咱们将原始数据分箱计算给定点的概率。这是算法如何工作的粗略概念

• 抉择散布上的一个随机地位
• 提议散布上的一个新地位
• 如果提议的地位比以后的地位有更高的绝对概率，就跳到这个地位（即把以后地位设置为新地位）
• 如果不是，兴许还是跳。依然跳的概率与新地位的概率低多少成正比
• 返回算法所到过的所有地位 

def gees:    daa = d.astype    np.bincount # 产生一个范畴为(i,i+1)的计数数组    np.array(\[\])        crnt = int    for i in xrange(n_ms):        trs = np.append        # 最终创立一个函数，抉择一个好的跳跃间隔        # 如果以后地位的p很低，就把跳转的间隔变大        poo = int        # 确保咱们不来到边界        while rood  data.max or ppsd < data.min:            pood = int              if a > 1:            cuent = prosed        else:            if np.random.random<= a:                curnt = ppse

traces = get_traces(target, 5000)

# 绘制指标分布图和轨迹分布图plt.histplt.subplot(2,1,2)plt.histplt.tight_layoutplt.show

不仅轨迹的散布十分靠近理论散布，样本均值也十分靠近。绘制的样本点少于 5000 个，咱们十分靠近于近似指标散布的形态。

最受欢迎的见解

1.matlab应用贝叶斯优化的深度学习

2.matlab贝叶斯隐马尔可夫hmm模型实现

3.R语言Gibbs抽样的贝叶斯简略线性回归仿真

4.R语言中的block Gibbs吉布斯采样贝叶斯多元线性回归

5.R语言中的Stan概率编程MCMC采样的贝叶斯模型

6.Python用PyMC3实现贝叶斯线性回归模型

7.R语言应用贝叶斯 层次模型进行空间数据分析

8.R语言随机搜寻变量抉择SSVS预计贝叶斯向量自回归（BVAR）模型

9.matlab贝叶斯隐马尔可夫hmm模型实现