Nimûneya Pirsên Gotûbêjê ji bo Qonaxa Metropolê
Di çarçoveya simulasyonên Monte Carlo de, qonaxa Metropolis algorîtmayek girîng e di mekanîka îstatîstîkî û warên din de. Di vê beşê de, em bi taybetî li ser rêbaza Metropolis-Hastings nîqaş dikin, algorîtmayek ku ji bo nimûnegirtinê ji belavkirinên îhtîmala tevlihev tê bikar anîn. Bi têgihîştina gavên di vê algorîtmayê de, em dikarin simulasyonên rasttir û bibandortir pêk bînin.
Danasîna Algorîtmaya Metropolisê
Algorîtmaya Metropolis di sala 1953an de ji hêla Nicholas Metropolis û hevkarên wî ve hate nasandin. Ev rêbaz ji bo modelkirin û simulasyona rewşa pergalên fîzîkî tê bikar anîn, nemaze yên ku gelek perçeyên wekî gaz an şilekan tê de hene. Guhertoya nûjen a vê algorîtmayê, Metropolis-Hastings, giştîkirinek e ku dihêle nimûne ji belavkirina hedefek ne-normalîzekirî werin kişandin.
Gavên di Algorîtmaya Metropolisê de
Ji bo fêmkirina ka algorîtmaya Metropolis çawa dixebite, girîng e ku meriv bi gavan re aşina be:
1. Destpêkirin: Bi hilbijartina çareseriyeke destpêkê bi awayekî rasthatî ji qada çareseriyê an jî belavkirina destpêkê dest pê bikin. Bo nimûne, em bi şerteke germahiyê an jî pozîsyona perçeyan dest pê dikin.
2. Pêşniyarkirina Gaveke Nû: Bi guhertineke piçûk di rewşa heyî de, rewşeke nû (çareseriyeke nû) pêşniyar bikin. Ev yek pir caran wekî gava "pêşniyar" tê binavkirin. Ev guhertin bi gelemperî ji belavkirineke simetrîk, wek belavkirina Gaussî, tê kişandin.
3. Hesabkirina Rêjeya Qebûlkirinê: Rêjeya qebûlkirinê hesab bikin, ku diyar dike ka em tevgerek pêşniyarkirî qebûl dikin an red dikin. Ev rêje rêjeya îhtîmala rewşa nû bi rewşa heyî re ye. Di nîşana matematîkî de, ev rêje bi vî awayî tê dayîn:
\[
A = \min\left(1, \frac{P(\text{nû})}{P(\text{niha})}\rast)
\]
ku \(P\) îhtîmala rewşek taybetî ye.
4. Biryar Bi Bikaranîna Rêjeya Qebûlkirinê: Rêjeya qebûlkirinê bi nirxek rasthatî ya ji belavkirinek yekreng a di navbera 0 û 1 de hatî kişandin bidin ber hev. Ger rêjeya qebûlkirinê ji nirxa rasthatî mezintir be, gava nû qebûl bikin; wekî din, wê red bikin û di rewşa heyî de bimînin.
5. Dubarekirin: Gavên 2 heta 4 ji bo hejmara dubarekirinên xwestî an jî heta ku pergal bigihîje hevsengiyê dubare bikin.
Pirsên Nimûne û Gotûbêj
Ji bo ku em qonaxa Metropolê çêtir fam bikin, werin em li ser çend pirsên mînakî nîqaş bikin.
Nimûneya Pirsa 1
Pirsyar: Perçeyek we di yek pîvana pozîsyona \(x\) de heye ku ji hêla fonksiyona enerjiya potansiyel \(U(x) = x^2\) ve bandor dibe. Algorîtmaya Metropolis bikar bînin da ku belavkirina pozîsyonên perçeyan simul bikin.
Gotûbêj:
1. Destpêkirin: Ji pozîsyona \(x = 0 \) dest pê bike.
2. Pêşniyara Tevgereke Nû: Pozîsyoneke nû pêşniyar bikin \(x' = x + \Delta x \), ku \( \Delta x \) ji belavkirineke Gaussian a bi navînî sifir hatiye kişandin.
3. Hesabkirina Rêjeya Enerjiyê: Rêjeya enerjiyê hesab bike:
\[
\Delta U = U(x') – U(x) = x'^2 – x^2
\]
Bi vî awayî, rêjeya qebûlkirinê:
\[
A = \min\left(1, e^{-\Delta U}\right)
\]
4. Biryar: Ger \(A\) ji hejmareke rasthatî ya di navbera 0 û 1 de zêdetir be, \(x'\) qebûl bike; wekî din, li pozîsyona \(x\) bimîne.
5. Dubarekirin: Vê pêvajoyê, wek mînak, di 10,000 gavan de dubare bikin.
Belavbûna pozîsyonê ya encam dê li dû belavbûneke Gaussî ya bi navînîya sifir û guherîna ku bi potansiyelê re ne rêjeyî ye, biçe, ku di vê rewşê de, dibe sedema belavbûneke ku ji hêla fonksiyona enerjiya potansiyel ve hatiye şekildan.
Nimûneya Pirsa 2
Pirsyar: Algorîtmaya Metropolis bikar bînin da ku texmîna fonksiyona Bayesian bicîh bikin. Ferz bikin ku em dixwazin bi karanîna regresyona xêzikî bi MCMC re şemitokek hêsan di komek daneyan de bicîh bikin.
Gotûbêj:
1. Destpêkirin: Parametreyên modela destpêkê \( \beta = (m, c) \) destnîşan bike.
2. Pêşniyarkirina Gaveke Nû: Parametreyên nû yên belavkirina pêşniyara normal a pirguherbar pêşniyar bikin. Bo nimûne, belavkirineke Gaussî ji bo guhêrbarên \(m \) û \(c \) bikar bînin.
3. Rêjeya Qebûlkirinê: Rêjeya qebûlkirinê bi vî awayî hesab bike:
\[
A = \min\left(1, \frac{L(m', c'| \text{dane})P(m', c')}{L(m, c| \text{dane})P(m, c)}\right)
\]
Li vir \(L\) îhtîmal e, û \(P\) jî beriya parametreyê ye.
4. Biryar: Ji bo pejirandin an redkirina pêşniyarê, rêjeyê bi nirxek rasthatî ya 0 ber 1 bidin ber hev.
5. Dubarekirin: Simulasyonê bi têra xwe dubarekirinan bimeşîne heta ku hevgirtin pêk were.
Bi vê rêbazê, em dikarin belavkirinên paşîn ji bo parametreyên regresyonê bi dest bixin, ku rêyek dide me ku em têkiliyên di daneyan de texmîn bikin û şîrove bikin.
Xelasî
Qonaxa Metropolis di simulasyonên Monte Carlo de dihêle ku em ji belavkirinên hedefên tevlihev nimûneyan bigirin û wekî bingehek ji bo rêbaza Metropolis-Hastings xizmet dike. Bi sepandina vê teknîkê li warên cûrbecûr, em dikarin modelek rasttir û têgihîştinek berfirehtir a pergalê bi dest bixin. Di sepanên ji fîzîk û biyolojiyê bigire heya zanista komputer û îstatîstîkê de, ev algorîtma çareseriyên elegant û bibandor ji bo pirsgirêkên tevlihev pêşkêş dike.
