拓端tecdat|Python贝叶斯推断Metropolis-Hastings（M-H）MCMC采样算法的实现

Metropolis-Hastings 算法对概率分布进行采样以产生一组与原始分布成比例的轨迹。

首先，目标是什么？MCMC的目标是从某个概率分布中抽取样本，而不需要知道它在任何一点的确切概率。MCMC实现这一目标的方式是在该分布上 "徘徊"，使在每个地点花费的时间与分布的概率成正比。如果 "徘徊 "过程设置正确，你可以确保这种比例关系（花费的时间和分布的概率之间）得以实现

为了可视化算法的工作原理，我们在二维中实现它

1.   
2.  plt.style.use('ggplot')

首先，让我们创建并绘制任意目标分布

tart = np.append

1.  plt.hist
2.  plt.text

现在让我们写出算法。请注意，我们将原始数据分箱计算给定点的概率。这是算法如何工作的粗略概念

• 选择分布上的一个随机位置
• 提议分布上的一个新位置
• 如果提议的位置比当前的位置有更高的相对概率，就跳到这个位置（即把当前位置设置为新位置）
• 如果不是，也许还是跳。仍然跳的概率与新位置的概率低多少成正比
• 返回算法所到过的所有位置 

1.  def gees:
2.   
3.  daa = d.astype
4.  np.bincount # 产生一个范围为(i,i+1)的计数数组
5.  np.array([])
6.   
7.  crnt = int
8.  for i in xrange(n_ms):
9.  trs = np.append
10.  # 最终创建一个函数，选择一个好的跳跃距离
11.  # 如果当前位置的p很低，就把跳转的距离变大
12.  poo = int
13.  # 确保我们不离开边界
14.  while rood data.max or ppsd < data.min:
15.  pood = int
16.   
17.   
18.  if a > 1:
19.  cuent = prosed
20.  else:
21.  if np.random.random<= a:
22.  curnt = ppse
traces = get_traces(target, 5000)1.  # 绘制目标分布图和轨迹分布图
2.   
3.  plt.hist
4.  plt.subplot(2,1,2)
5.  plt.hist
6.  plt.tight_layout
7.  plt.show

不仅轨迹的分布非常接近实际分布，样本均值也非常接近。绘制的样本点少于 5000 个，我们非常接近于近似目标分布的形状。

---