一、总结
一句话总结：
作为一种随机采样方法，【马尔科夫链蒙特卡罗】（Markov Chain Monte Carlo，以下简称MCMC）在机器学习,深度学习以及自然语言处理等领域都有广泛的应用，【是很多复杂算法求解的基础】。下面我们就对MCMC的原理做一个总结。
从名字我们可以看出，MCMC由两个MC组成，即蒙特卡罗方法（Monte Carlo Simulation，简称MC）和马尔科夫链（Markov Chain ，也简称MC）。【要弄懂MCMC的原理我们首先得搞清楚蒙特卡罗方法和马尔科夫链的原理】。
1、随机模拟？
随机模拟也可以叫做【蒙特卡罗模拟(Monte Carlo Simulation)】。
随机模拟中有一个重要的问题就是【给定一个概率分布p(x) ， 我们如何在计算机中生成它的样本】。
一般而言均匀分布 Uniform(0,1) 的样本是相对容易生成的。 通过【线性同余发生器】可以生成伪随机数，我们用确定性算法生成[0,1]之间的伪随机数序列后，这些序列的各种统计指标和均匀分布 Uniform(0,1) 的理论计算结果非常接近。这样的伪随机序列就有比较好的统计性质，【可以被当成真实的随机数使用】。
2、蒙特卡罗方法引入？
蒙特卡罗原来是一个赌场的名称，用它作为名字大概是因为蒙特卡罗方法【是一种随机模拟的方法】，这很像赌博场里面的扔骰子的过程。最早的蒙特卡罗方法都是为了【求解一些不太好求解的求和或者积分问题】。
3、蒙特卡罗方法求解不好求积分问题 过程？
1、比如积分：$$ \theta = \int _ { a } ^ { b } f ( x ) d x $$，【如果我们很难求解出f(x)的原函数，那么这个积分比较难求解】。当然我们可以通过蒙特卡罗方法来模拟求解近似值。如何模拟呢？
2、则一个简单的近似求解方法是在[a,b]之间随机的采样一个点。比如x0 ，然后用x0代表在[a,b]区间上所有的f(x)的值。那么上面的定积分的近似求解为:(b-a)f(x0)，当然，用一个值代表[a,b]区间上所有的 f(x) 的值，这个假设太粗糙。【那么我们可以采样[a,b]区间的n个值：x0,x1,...xn-1】 ，用它们的均值来代表[a,b]区间上所有的 f(x) 的值。这样我们上面的定积分的近似求解为:$$\frac { b - a } { n } \sum _ { i = 0 } ^ { n - 1 } f ( x _ { i } )$$
3、虽然上面的方法可以一定程度上求解出近似的解，但是它隐含了一个假定，即x在[a,b]之间是均匀分布的，而绝大部分情况，x在[a,b]之间【不是均匀分布】的。如果我们用上面的方法，则模拟求出的结果很可能和真实值相差甚远。怎么解决这个问题呢？ 如果我们可以得到x在[a,b]的概率分布函数p(x)，那么我们的定积分求和可以这样进行：$$\theta = \int _ { a } ^ { b } f ( x ) d x = \int _ { a } ^ { b } \frac { f ( x ) } { p ( x ) } p ( x ) d x \approx \frac { 1 } { n } \sum _ { i = 0 } ^ { n - 1 } \frac { f ( x _ { i } ) } { p ( x _ { i } ) }$$，【上式最右边的这个形式就是蒙特卡罗方法的一般形式】。当然这里是连续函数形式的蒙特卡罗方法，但是在离散时一样成立。
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
