La chaîne log-postérieure doit varier en douceur autour du maximum. Enfin, le taux d'acceptation dépend du problème mais généralement pour les problèmes 1-D, le taux d'acceptation devrait être d'environ 44% (environ 23% pour plus de 5 paramètres).
- Qu'est-ce qu'un taux d'acceptation idéal?
- Comment choisir la distribution des propositions dans MCMC?
- Qu'est-ce que le test MCMC?
- Comment fonctionne MCMC?
Qu'est-ce qu'un taux d'acceptation idéal?
Un taux d'acceptation de l'offre supérieur à 90% peut indiquer qu'il existe une bonne correspondance entre les exigences d'une entreprise et les attentes des candidats sélectionnés.
Comment choisir la distribution des propositions dans MCMC?
Les algorithmes MCMC utilisent Q (x | x) pour la distribution des propositions, au lieu de q (x). Ce processus génère donc une chaîne de Markov à partir d'échantillons x (1), x (2).... L'une des méthodes MCMC les plus populaires est Metropolis-Hastings, qui nous permet de spécifier toute proposition Q (x | x), bien que le choix d'un bon q (x | x) nécessite des soins.
Qu'est-ce que le test MCMC?
Les diagnostics de Markov Chain Monte Carlo (MCMC) sont des outils qui peuvent être utilisés pour vérifier si la qualité d'un échantillon généré avec un algorithme MCMC est suffisante pour fournir une approximation précise de la distribution cible.
Comment fonctionne MCMC?
Les méthodes de la chaîne de Markov Monte Carlo (MCMC) sont une classe d'algorithmes pour l'échantillonnage d'une distribution de probabilité basée sur la construction d'une chaîne de Markov qui a la distribution souhaitée comme distribution stationnaire. L'état de la chaîne après un certain nombre d'étapes est ensuite utilisé comme échantillon de la distribution souhaitée.