Czy ktoś wie o dobrze napisanym kodzie (w Matlabie lub R) dla MCMC z odwracalnym skokiem? Najlepiej jest to prosta aplikacja demonstracyjna uzupełniająca dokumenty na ten temat, która byłaby przydatna w zrozumieniu procesu.
r
matlab
references
mcmc
Nacięcie
źródło
źródło
Odpowiedzi:
RJMCMC został wprowadzony przez Petera Greena w artykule z 1995 roku, który jest cytatem klasycznym. Napisał program Fortran o nazwie AutoRJ dla automatycznego RJMCMC; jego strona w tym linku do programu David Hastie's C AutoMix . Lista swobodnie dostępnych programów dla różnych algorytmów RJMCMC znajduje się w tabeli 1 artykułu z 2005 roku autorstwa Scotta Sissona . Wyszukiwarka Google znajduje również pseudokod z grupy na Uniwersytecie w Glasgow, który może być pomocny w zrozumieniu zasad, jeśli chcesz go zaprogramować samodzielnie.
źródło
Książka Bayesian Analysis for Population Ecology autorstwa King i in. opisuje RJMCMC w kontekście ekologii populacji. Znalazłem tam bardzo jasny opis, który zawiera kod R w dodatku.
Książka ma również powiązaną stronę internetową , ale części kodu znalezionego w książce nie ma w witrynie.
źródło
Wystarczy dodać jeden szczegół do odpowiedzi @ onestop: Uważam, że oprogramowanie C wydane przez Oliviera Cappé (CT / RJ MCMC) jest bardzo pomocne w zrozumieniu algorytmu MCMC skoku odwracalnego (w szczególności jak zaprojektować prawdopodobieństwo narodzin-śmierci i rozszczepienia- scal ruchy). Link do kodu źródłowego to: http://perso.telecom-paristech.fr/~cappe/Code/CTRJ_mix/About/
źródło
Jailin Ai daje całkiem niezłą prezentację RJ MCMC razem (choć bardzo ściśle odpowiada oryginalnej pracy Greena) z towarzyszącym kodem R w ramach pracy magisterskiej w Leeds. Daje także dokładny przykład problemów związanych ze zmianą punktu, które są również zawarte w pracy Greena z 1995 roku.
Znajdź pracę dyplomową i kod tutaj:
http://www1.maths.leeds.ac.uk/~voss/projects/2011-RJMCMC/
źródło
Nando de Freitas udostępnia dema dotyczące wykorzystania algorytmu MCMC z odwracalnym skokiem do szacowania parametrów sieci neuronowej. Ten model traktuje liczbę neuronów, parametry modelu, parametry regularyzacji i parametry hałasu jako zmienne losowe, które należy oszacować.
Kod i opis są dostępne tutaj: http://www.cs.ubc.ca/~nando/software.html
źródło