Question

我一直在阅读Metropolis-Hastings（MH）算法。从理论上讲，我理解算法是如何工作的。现在，我正在尝试使用python实现MH算法。

我遇到了以下notebook。它完全适合我的问题，因为我希望通过直线拟合我的数据，同时考虑到我的数据上的测量误差。我要粘贴我发现难以理解的代码：

# initial m, b
m,b = 2, 0

# step sizes
mstep, bstep = 0.1, 10.

# how many steps?
nsteps = 10000

chain = []
probs = []
naccept = 0

print 'Running MH for', nsteps, 'steps'

# First point:
L_old    = straight_line_log_likelihood(x, y, sigmay, m, b)
p_old    = straight_line_log_prior(m, b)
prob_old = np.exp(L_old + p_old)

for i in range(nsteps):
    # step
    mnew = m + np.random.normal() * mstep
    bnew = b + np.random.normal() * bstep

    # evaluate probabilities
    # prob_new = straight_line_posterior(x, y, sigmay, mnew, bnew)

    L_new    = straight_line_log_likelihood(x, y, sigmay, mnew, bnew)
    p_new    = straight_line_log_prior(mnew, bnew)
    prob_new = np.exp(L_new + p_new)

    if (prob_new / prob_old > np.random.uniform()):
        # accept
        m = mnew
        b = bnew
        L_old = L_new
        p_old = p_new
        prob_old = prob_new
        naccept += 1
    else:
        # Stay where we are; m,b stay the same, and we append them
        # to the chain below.
        pass

    chain.append((b,m))
    probs.append((L_old,p_old))
print 'Acceptance fraction:', naccept/float(nsteps)

代码简单易行，但我很难理解MH的实现方式。

我的问题出在chain.append（从底部开始的第三行）。作者正在追加m和b是否被接受或拒绝。为什么？他append不应该只接受接受的分数吗？

Answer 1

快速阅读算法说明：当候选人被拒绝时，它仍然算作一个步骤，但该值与旧步骤相同。即b, m以任意一种方式附加，但在候选人被接受的情况下，他们只能更新（到bnew, mnew）。

Answer 2

以下R代码说明了捕获被拒绝案例的重要性：

# 20 samples from 0 or 1. 1 has an 80% probability of being chosen.
the.population <- sample(c(0,1), 20, replace = TRUE, prob=c(0.2, 0.8))

# Create a new sample that only catches changes
the.sample <- c(the.population[1])

# Loop though the.population,
# but only copy the.population to the.sample if the value changes
for( i in 2:length(the.population))
{
  if(the.population[i] != the.population[i-1])
    the.sample <- append(the.sample, the.population[i])
}

当此代码运行时，the.population会获得20个值，例如：

0 1 1 1 1 1 1 1 1 0 1 1 1 1 0 0 1 1 1 1

此人口中1的概率为16/20或0.8。正是我们预期的概率......

另一方面，只记录变化的样本如下所示：

0 1 0 1 0 1

样品中1的概率为3/6或0.5。

我们正在尝试构建分发，拒绝新值意味着旧值更多可能比新值更高。需要捕获，以便我们的分发正确。

Metropolis-Hastings接受拒绝实施

2 个答案: