生活随笔
收集整理的這篇文章主要介紹了
【LDA学习系列】M-H采样python代码
小編覺得挺不錯的,現在分享給大家,幫大家做個參考.
LDA說的比較利索參考：https://segmentfault.com/a/1190000012215533
# -*- coding: utf-8 -*-
'''
Created on 2018年5月16日
@author: user
p:輸入的概率分布，離散情況采用元素為概率值的數組表示
N:認為迭代N次馬爾可夫鏈收斂
Nlmax:馬爾可夫鏈收斂后又取的服從p分布的樣本數
isMH:是否采用MH算法，默認為True
'''from __future__ import division
import matplotlib.pyplot as plt
import numpy as np
from array import arraydef mcmc(p,N=10000,Nlmax=10000,isMH=True):A = np.array([p for y in range(len(p))], dtype=np.float64) #第一步：構造轉移概率矩陣X0 = np.random.randint(len(p))count = 0samplecount = 0L = array("d",[X0])l = array("d")while True:X = int(L[samplecount])#第二步：初始化x0cur = np.argmax(np.random.multinomial(1,A[X]))#第三步：采樣候選樣本count += 1if isMH:a = (p[cur]*A[cur][X])/(p[X]*A[X][cur])#第四步：計算是否滿足馬氏平穩條件alpha = min(a,1)else:alpha = p[cur]*A[cur][X]u = np.random.uniform(0,1) #第五步：生成閾值if u<alpha:#第六步：是否接受樣本samplecount += 1L.append(cur)if count>N:l.append(cur)if len(l)>=Nlmax:breakelse:continueLa = np.frombuffer(L)la = np.frombuffer(l)return La,ladef count(q,n):L = array("d")l1 = array("d")l2 = array("d")for e in q:L.append(e)for e in range(n):l1.append(L.count(e))for e in l1:l2.append(e/sum(l1))return l1,l2if __name__ == '__main__': p = np.array([0.6,0.3,0.1]) a = mcmc(p)[1]l1 = ['state%d'% x for x in range(len(p))]plt.pie(count(a,len(p))[0],labels=l1,labeldistance=0.3,autopct='%1.2f%%')plt.title("sampling")plt.show()
總結
以上是生活随笔為你收集整理的【LDA学习系列】M-H采样python代码的全部內容，希望文章能夠幫你解決所遇到的問題。
如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。
