马氏链，Metropolis-Hastings采样与Gibbs采样的理解（附有python仿真）

马氏链

原理

采样方法

所谓的采样方法,主要就是利用了马氏链的性质

${\pi }_n(x)$为一个离散的概率分布
$${\pi }_n(x)=[{\pi }_n(1),{\pi }_n(2),...,{\pi }_n(m)]$$
当马氏链收敛至平稳分布时(假设第n次转移时收敛),${\pi }_n(x),{\pi }_{n+1}(x),{\pi }_{n+2}(x),....$这些概率分布都是相等的

若随机变量$X_0\sim {\pi }_0(x)$,$X_1\sim {\pi }_1(x)$,…,$X_n\sim {\pi }_n(x)$,$X_{n+1}\sim {\pi }_{n+1}(x)$

那么这些随机变量$X_n\sim {\pi }_n(x)$,$X_{n+1}\sim {\pi }_{n+1}(x)$,…都是服从同一个分布的
对于一个具体的状态,即一个具体的值$x_i$而非随机变量,从$x_n$开始的一系列这样的值$$x_n,x_{n+1},x_{n+2}...$$就是服从同一个分布$\pi (x)={\pi }_n(x)$的样本点,我们通过这种方式可以生成某个分布的大量的随机样本点,这就是传说中的采样

MH采样

原理

代码

import numpy as np
import matplotlib.pyplot as plt
from scipy import stats

np.random.seed(42)
# 正态分布
x_=np.linspace(-20,20,100)
y_=stats.norm.pdf(x_,0,5)# 正态分布
# y_=stats.expon(scale=1).pdf(x_)# 指数分布
 
# 采样数10000
Samp_Num=10000
result=[]
init=1
result.append(init)
# p=lambda r:stats.expon(scale=1).pdf(r)# 指数分布
p=lambda r:stats.norm.pdf(r,0,5) # 正态分布
# 生成均值为v,标准差为2的正态分布的1个样本
q=lambda v:stats.norm.rvs(loc = v,scale = 2, size = 1)
 
for i in range(Samp_Num):
    y=q(result[i])# 从分布q(y|x_t)中随机采样一个样本点
    alpha=min(1,p(y)/p(result[i]))# 接受概率(简化)
    u=np.random.rand(1)# 从uniform(0,1)中采样
    if u<alpha:
        result.append(y[0])# 接受
    else:
        result.append(result[i])# 拒绝
    if i%1000==0:
        print(i)

plt.hist(result, 50, density=1, facecolor='blue', alpha=0.5)
plt.plot(x,raw_y)
plt.show()

下图为利用MH采样法拟合的高斯分布

Gibbs采样

原理

Gibbs采样是高维采样的推广,用以生成高维联合概率分布的样本点

代码

import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt

def p_x_given_y(y, mus, sigmas):
    mu = mus[0] + sigmas[1, 0] / sigmas[0, 0] * (y - mus[1])
    sigma = sigmas[0, 0] - sigmas[1, 0] / sigmas[1, 1] * sigmas[1, 0]
    return np.random.normal(mu, sigma)


def p_y_given_x(x, mus, sigmas):
    mu = mus[1] + sigmas[0, 1] / sigmas[1, 1] * (x - mus[0])
    sigma = sigmas[1, 1] - sigmas[0, 1] / sigmas[0, 0] * sigmas[0, 1]
    return np.random.normal(mu, sigma)


def gibbs_sampling(mus, sigmas, iter=10000):
    samples = np.zeros((iter, 2))
    y = np.random.rand() * 10

    for i in range(iter):
        x = p_x_given_y(y, mus, sigmas)
        y = p_y_given_x(x, mus, sigmas)
        samples[i, :] = [x, y]

    return samples

mus = np.array([5, 5])
sigmas = np.array([[1, .9], [.9, 1]])
x,y = np.random.multivariate_normal(mus, sigmas, int(1e5)).T

sns.jointplot(x,y,kind='kde')

下图为生成的联合高斯分布图

samples = gibbs_sampling(mus, sigmas)
sns.jointplot(samples[:, 0], samples[:, 1])

下图为Gibbs采样得到的分布图