Alors, disons que je la répartition suivante cible 2 dimensions que je voudrais échantillonner (un mélange de distributions bivariées normales) -monocomposant Metropolis-Hastings
import numba
import numpy as np
import scipy.stats as stats
import seaborn as sns
import pandas as pd
import matplotlib.mlab as mlab
import matplotlib.pyplot as plt
%matplotlib inline
def targ_dist(x):
target = (stats.multivariate_normal.pdf(x,[0,0],[[1,0],[0,1]])+stats.multivariate_normal.pdf(x,[-6,-6],[[1,0.9],[0.9,1]])+stats.multivariate_normal.pdf(x,[4,4],[[1,-0.9],[-0.9,1]]))/3
return target
et la distribution de proposition suivante (une marche aléatoire bivariée) -
def T(x,y,sigma):
return stats.multivariate_normal.pdf(y,x,[[sigma**2,0],[0,sigma**2]])
Voici le code Metropolis Hastings pour mettre à jour l'état "entier" dans chaque itération -
#Initialising
n_iter = 30000
# tuning parameter i.e. variance of proposal distribution
sigma = 2
# initial state
X = stats.uniform.rvs(loc=-5, scale=10, size=2, random_state=None)
# count number of acceptances
accept = 0
# store the samples
MHsamples = np.zeros((n_iter,2))
# MH sampler
for t in range(n_iter):
# proposals
Y = X+stats.norm.rvs(0,sigma,2)
# accept or reject
u = stats.uniform.rvs(loc=0, scale=1, size=1)
# acceptance probability
r = (targ_dist(Y)*T(Y,X,sigma))/(targ_dist(X)*T(X,Y,sigma))
if u < r:
X = Y
accept += 1
MHsamples[t] = X
Cependant, je voudrais mettre à jour « par composant » (à savoir mise à jour par composant) à chaque itération. Y a-t-il un moyen simple de le faire?
Nous vous remercions de votre aide!
Vous devez d'abord calculer les PDF marginales de votre PDF cible. Ensuite, vous pourrez déguster composante par composante 'Y [i] = X [i] + stats.norm.rvs (0, sigma, 1)' et également accepter/rejeter composante par composante (par exemple 'r = (marg_targ_dist (Y [i ]) * T (Y [i], X [i], sigma))/(marg_targ_diste (X [i]) * T (X [i], Y [i], sigma)) ') – misterkugelblitz