采样

随机采样

采样是根据某种分布去生成一些数据点。最基本的假设是认为我们可以获得服从均匀分布的随机数，再根据均匀分布生成复杂分布的采样。对于离散分布的采样，可以把概率分布向量看作一个区间段，然后判断u落在哪个区间段内。对于比较复杂的分布比如正态分布我们可以通过Box-Muller算法，实现对高斯分布的采样。

其他几个著名的连续分布，包括指数分布，Gamma分布，t分布，F分布，Beta分布，Dirichlet分布都可以通过类似的数学变换得到。

蒙特卡洛估计

从一个分布中采样可以做很多有用的事情，包括求边缘分布，MAP推断，以及计算如下形式的期望

通过蒙特卡洛方法可以得到该期望的近似解

其中是从分布p中采样得到的

拒绝采样

举例：比如要计算圆的面积可以在矩形中均匀的撒点，统计落在圆中的点的个数处于总的点的个数，就是圆的面积与矩形面积的比值。

假设我们已经可以抽样高斯分布q(x)（如Box–Muller_transform 算法），我们按照一定的方法拒绝某些样本，达到接近p(x)分布的目的。

拒绝采样时蒙特卡洛中的一种特殊情况。计算p(x=x'):我们可以将这个概率写成如下形式

接着采用蒙特卡洛近似

重要采样

拒绝采样会浪费大量的样本，一个更好的方法是通过重要采样进行采样。

本来需要从p分布中进行采样，由于种种原因（p分布不好采样等）我们不愿意从p分布中采样，而是从q分布中采样，需要在f中乘上权重因子w(x)

对于p(x=x')可以通过如下的计算

Python代码

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


def qsample():
return np.random.rand() * 4.


def p(x):
return 0.3 * np.exp(-(x - 0.3) ** 2) + 0.7 * np.exp(-(x - 2.) ** 2 / 0.3)


def q(x):
return 4.0


def importance(nsamples):
samples = np.zeros(nsamples, dtype=float)
w = np.zeros(nsamples, dtype=float)

for i in range(nsamples):
samples[i] = qsample()
w[i] = p(samples[i]) / q(samples[i])

return samples, w


def sample_discrete(vec):
u = np.random.rand()
start = 0
for i, num in enumerate(vec):
if u > start:
start += num
else:
return i - 1
return i


def importance_sampling(nsamples):
samples, w = importance(nsamples)
# print samples
final_samples = np.zeros(nsamples, dtype=float)
w = w / w.sum()
# print w
for j in range(nsamples):
final_samples[j] = samples[sample_discrete(w)]
return final_samples


x = np.arange(0, 4, 0.01)
x2 = np.arange(-0.5, 4.5, 0.1)
realdata = 0.3 * np.exp(-(x - 0.3) ** 2) + 0.7 * np.exp(-(x - 2.) ** 2 / 0.3)
box = np.ones(len(x2)) * 0.8
box[:5] = 0
box[-5:] = 0
plt.plot(x, realdata, 'g', lw=6)
plt.plot(x2, box, 'r--', lw=6)

# samples,w = importance(5000)
final_samples = importance_sampling(5000)
plt.hist(final_samples, normed=1, fc='c')
plt.show()

MCMC（Markov Chain Monte Carlo）

MCMC采样算法

从马尔科夫链中对某个分布进行采样，采样的结果通过蒙特卡洛方法来对期望进行估计。

一个直观的理解是：收集了可能来自需要观测山的大量地点，我们就可以近似的构造出这座山出来。

从当前地点开始，移动到一个靠近你的新地点。如果该地点可能来自需要观测的山，那么移动到该地点，如果不是待在原处。通过大量的迭代，返回所有可能的地点。

    MCMC适合使用在高维的空间中，会提高采样的效率。

 

细致平稳条件

假设我们已经有一个转移矩阵为Q马氏链（q(i,j)）表示从状态i转移到状态j的概率，通常情况下

也就是细致平稳条件不成立，所以p(x)不太可能是这个马氏链的平稳分布。为此需要引入

所以有

Metropolis-Hastings采样算法

以上MCMC算法已经可以工作了，但是它有一个小的问题：马氏链Q在转移的过程中可能偏小，这样采样过程中马氏链容易原地踏步。因此需要提高接受率。

假设

此时满足细致平稳条件，于是

上式两边扩大5倍，我们改写为

我们提高了接收率，而细致平稳条件没有打破。这启发我们可以把细致平稳条件的同比例放大，使得两数中最大的一个放大到1，这样就提高了采样中的跳转接受率。

 

 

 

Python代码：

# The Metropolis-Hastings algorithm
from pylab import *
from numpy import *

def p(x):
    mu1 = 3

																mu2 = 10

																		v1 = 10

																				v2 = 3

																						return 0.3*exp(-(x-mu1)**2/v1) + 0.7* exp(-(x-mu2)**2/v2)
#    return -x**2

def q(x):
    mu = 5

																																			sigma = 10

																																					return exp(-(x-mu)**2/(sigma**2))

stepsize = 0.5
x = arange(-10,20,stepsize)
px = zeros(shape(x))
for i in range(len(x)):
    px[i] = p(x[i])
N = 5000

# independence chain
u = random.rand(N)
mu = 5
sigma = 10
y = zeros(N)
y[0] = random.normal(mu,sigma)
for i in range(N-1):
    ynew = random.normal(mu,sigma)
    alpha = min(1,p(ynew)*q(y[i])/(p(y[i])*q(ynew)))

																																																																								if u[i] < alpha:
        y[i+1] = ynew

																																																																												else:
        y[i+1] = y[i]

# random walk chain
u2 = random.rand(N)
sigma = 10
y2 = zeros(N)
y2[0] = random.normal(0,sigma)
for i in range(N-1):
    y2new = y2[i] + random.normal(0,sigma)
    alpha = min(1,p(y2new)/p(y2[i]))

																																																																																																		if u2[i] < alpha:
        y2[i+1] = y2new

																																																																																																						else:
        y2[i+1] = y2[i]

figure(1)
nbins = 30
hist(y, bins = x)
plot(x, px*N/sum(px), color='g', linewidth=2)
plot(x, q(x)*N/sum(px), color='r', linewidth=2)

figure(2)
nbins = 30
hist(y2, bins = x)
plot(x, px*N/sum(px), color='g', linewidth=2)

show()

该代码用到一个比较特殊的马尔科夫过程：当一个随机变量，其增量的变化服从于正态分布时，我们说，这个随机过程叫做维纳过程（Wiener process)——或者一个更出名的名字：布朗运动过程

设x(t)是一个独立增量过程，即随机过程x(t)的下一阶段增量的概率分布独立于其他任意阶段的概率分布

X(t)是一个关于t的连续函数；

X(t)的增量服从关于时间t的正态分布，即

Gibbs采样

由于Metropolis-Hastings采样的通常小于1。所以Gibbs进一步提高到1。

考虑二维的情形，假设有一个概率分布p(x,y)，考虑x坐标相同的两个点A(x1,y1),B(x1,y2)

我们发现

所以得到

即

基于以上等式，我们发现，在x=x1这条平行于y轴的直线上，如果使用条件分布p(y|x1)做为任何两点之间的转移概率，那么任何两个点之间的转移满足细致平稳条件。

于是我们可以如下构造平面上任意两点之间的状态转移概率矩阵Q

有了如上的转移矩阵Q，我们很容易验证对平面上任意两点X，Y，满足细致平稳条件

以上采样过程中，如图所示，马氏链的转移只是轮换的沿着坐标轴x轴和y轴做转移

很容易将算法扩展到高维的情况中

Python代码：

def pXgivenY(y,m1,m2,s1,s2):

    return np.random.normal(m1 + (y-m2)/s2,s1)

def pYgivenX(x,m1,m2,s1,s2):

    return np.random.normal(m2 + (x-m1)/s1,s2)

def gibbs(N=5000):

    k=20

    x0 = np.zeros(N,dtype=float)

    m1 = 10

    m2 = 20

    s1 = 2

    s2 = 3

    for i in range(N):

        y = np.random.rand(1)

        # 每次采样需要迭代 k 次

        for j in range(k):

            x = pXgivenY(y,m1,m2,s1,s2)

            y = pYgivenX(x,m1,m2,s1,s2)

        x0[i] = x

    return x0

def f(x):

    """目标分布"""

    return np.exp(-(x-10)**2/10)

# 画图

N=10000

s=gibbs(N)

x1 = np.arange(0,17,1)

plt.hist(s,bins=x1,fc='c')

x1 = np.ar

ange(0,17, 0.1)

px1 = np.zeros(len(x1))

for i in range(len(x1)):

    px1[i] = f(x1[i])

plt.plot(x1, px1*N*10/sum(px1), color='r',linewidth=3)

plt.show()