pypmc公司

python的自适应采样包非常重要。它可用于从用户定义的目标密度进行积分和采样。一个典型的应用是贝叶斯推理,在这种推理中,人们希望从后验样本中边缘化参数并计算证据。关键思想是通过将高斯或学生t分量的混合适应于目标密度来创建一个好的提案密度。该软件包能够以1%或更低的精度有效地集成多达30-40维的多模式功能。对于许多问题,这是在不需要用户手动输入功能细节的情况下实现的。pypmc支持通过mpi4py开箱即用在机器集群上的重要性采样。

zbMATH中的参考文献(参考 1文章 参考)

显示结果1/1。
按年份排序(引用)

  1. Chen,Xi;Hobson,Michael;Das,Saptarshi;Gelderblom,Paul:使用后验重划分提高嵌套抽样的效率和稳健性(2019年)