роль выборки
Аналоговые выборки случайных явлений, в соответствии с заданным распределением вероятностей высоких, генерацией случайного имитируемого события, соответствующее а.
Образец-можно рассматривать как не-параметрическую модель, используя небольшое количество образцов, чтобы приблизить общее распределение, и общее распределение неопределенности характеризации.
Три пары текущего ресэмплировать данных, можно воспользоваться существующими наборами данных, добыча больше информации, такой как Bootstrap и складной нож. Кроме того, использование метода передискретизации, вы можете (целевую информацию не теряются) в соответствии определенную информации, есть изменения в распределении образцов сознания, чтобы приспособить обучение и последующие модели обучения.
4 много моделей сложной структуры, так как свинец, содержащий скрытые переменные, соответствующая формулу для решения комплекса, не существует никакого явное аналитическое решения трудно выполнить точное решение или рассуждение. Случайные методы отбора проб могут быть использованы для моделирования, тем самым решая сложные модели или Примерное Рассуждение. Как правило, приводит к определенным функциям интегрированной или желательным в определенном распределении, или найти некоторые случайные переменные или параметры в данном апостериорном распределении даются.
Общие методы отбора проб
Самый основной метод отбора проб равномерно распределен случайное число:
В общем случае линейной конгруэнтной метод (LCG) генерирования псевдослучайных чисел, равномерно распределенных дискретных, рассчитывается как $ X_ (а \ CDOT x_t + с) {T + 1} = \ мод (м) $