吉布斯採樣
算法 / 維基百科,自由的 encyclopedia
吉布斯採樣(英語:Gibbs sampling)是統計學中用於馬爾科夫蒙特卡洛(MCMC)的一種算法,用於在難以直接採樣時從某一多變量概率分布中近似抽取樣本序列。該序列可用於近似聯合分布、部分變量的邊緣分布或計算積分(如某一變量的期望值)。某些變量可能為已知變量,故對這些變量並不需要採樣。
吉布斯採樣常用於統計推斷(尤其是貝葉斯推斷)之中。這是一種隨機化算法,與最大期望算法等統計推斷中的確定性算法相區別。與其他MCMC算法一樣,吉布斯採樣從馬爾科夫鏈中抽取樣本,可以看作是Metropolis–Hastings算法的特例。
該算法的名稱源於約西亞·威拉德·吉布斯,由斯圖爾特·傑曼(英語:Stuart Geman)與唐納德·傑曼(英語:Donald Geman)兄弟於1984年提出。[1]