文档摘要

5.3 贝叶斯推断与 MCMC 本节摘要：贝叶斯推断把参数当随机变量，用后验分布整合先验与数据似然；后验的无解析积分由 MCMC 数值求解。Metropolis-Hastings 算法只需未归一化的后验密度即可采样，但收敛与混合质量必须用迹图和自相关时间诊断。本节实现完整的 MH 采样器完成一个拟合案件。 一、案件设定：从观测数据反推参数 前两节都是"参数推输出"的正向办案。 会员。《5.3 贝叶斯推断与 MCMC》收录于灏天文库文集《计算数学》，原作者/来源：灏天文库，整理自「灏天文库」，提供技术教程、实践指南与问题解决方案，支持在线阅读、全文检索与知识沉淀，助力开发者系统化学习。本站整理收录，版权归原作者/开源协议所有。

该文档为会员专享，请先登录或注册后再查看

登录 注册

---

作者与出处

原作者： 灏天文库

来源：灏天文库

原文： https://aiknowledge.cn/collection/429-%E8%AE%A1%E7%AE%97%E6%95%B0%E5%AD%A6

整理： 灏天文库整理

由灏天文库平台收录，内容或由平台用户上传，仅供学习交流