> ML_ALGORITHM // MARKOV-CHAIN-MONTE-CARLO-METROPOLIS-HASTINGS_v1.0
Markov Zinciri Monte Carlo (MCMC / Metropolis-Hastings)
İstenen denge dağılımına sahip bir Markov zinciri kurarak karmaşık ve normalize edilmemiş olasılık dağılımlarından örneklem alan temel MCMC algoritması.
Markov Chain Monte Carlo Samplingbayesian-probabilistichigh-intrinsicsmall (<1k)
Tüm Algoritmalara DönHesaplama Karmaşıklığı
Eğitim (Training):O(chains * samples * likelihood_eval)
Çıkarım (Inference):O(samples) empirical posterior summaries
Donanım Karakteristiği
CPU Uygunluğu:Evet
GPU Zorunluluğu:Hayır
Bellek Ayak İzi:low
Açıklanabilirlik ve Veri
Açıklanabilirlik Düzeyi:high-intrinsic
Eğitim Verisi İhtiyacı:small (<1k)
Açıklanabilirlik Değerlendirmesi
Her parametre için tam ampirik sonsal olasılık dağılımları ve güvenilir aralıklar üretir.
Uygun Görevler ve Desteklenen Modaliteler
Uygun Görevler:
bayesian inferenceposterior parameter estimation
Desteklenen Modaliteler:
tabular
Uygulayıcı Kütüphaneler
Temel Literatür & Yayınlar
Sık Karşılaşılan Hatalar ve Dikkat Edilmesi Gerekenler
- Rastgele yürüyüş önerileri yüksek boyutlarda (>20 parametre) takılır ve çok düşük kabul oranlarına ve zayıf karışıma yol açar (yerine HMC kullanılmalıdır)