একটি সাধারণীকৃত সাধারণ বিতরণের জন্য প্রস্তাব বিতরণ

Question

আমি একটি জেনারেটেড সাধারণ বিতরণ ( উইকিপিডিয়া এন্ট্রি ) ব্যবহার করে উদ্ভিদ ছত্রাকের মডেলিং করছি , যার সম্ভাবনা ঘনত্বের কার্যকারিতা রয়েছে:

$$\frac{b}{2a\Gamma(1/b)} e^{-(\frac{d}{a})^b}$$

যেখানে দূরত্ব ভ্রমণ করেছে, হল একটি স্কেল প্যারামিটার, এবং আকৃতির পরামিতি। ভ্রমণের গড় দূরত্বটি এই বিতরণের মানক বিচ্যুতি দ্বারা দেওয়া হয়:$d$$a$$b$

$$\sqrt{\frac{a^2 \Gamma(3/b)}{\Gamma(1/b)}}$$

এই সুবিধাজনক কারণ এটি একটি সূচকীয় আকৃতি জন্য করতে পারবেন যখন , একটি গসিয়ান আকৃতি যখন , এবং একটি leptokurtic বন্টন জন্য। এই বিতরণটি নিয়মিতভাবে উদ্ভিদ ছত্রভঙ্গ সাহিত্যে ছড়িয়ে যায়, যদিও এটি সাধারণভাবে খুব বিরল, এবং তাই এটি সম্পর্কে তথ্য খুঁজে পাওয়া শক্ত।$b=1$$b=2$$b<1$

সর্বাধিক আকর্ষণীয় পরামিতিগুলি হল এবং এর অর্থ ছত্রভঙ্গ দূরত্ব।$b$

আমি অনুমান করার চেষ্টা করছি এবং এমসিএমসি ব্যবহার করে, কিন্তু আমি নমুনা প্রস্তাব মান একটি কার্যকর উপায় নিয়ে আসা সংগ্রাম করছি। এখনও অবধি, আমি মেট্রোপলিস-হেস্টিংস ব্যবহার করেছি এবং ইউনিফর্ম বিতরণ থেকে এবং পেয়েছি, এবং আমি প্রায় 200-400 মিটার উত্তরোত্তর ছড়িয়ে পড়ার দূরত্ব পেয়েছি যা জৈবিক ধারণা তৈরি করে। তবে, রূপান্তরটি সত্যই ধীর এবং আমি নিশ্চিত নই যে এটি সম্পূর্ণ পরামিতি স্থানটি অন্বেষণ করছে।$a$$b$$0 < a < 400$$0 < b<3$

তার চতুর জন্য একটি ভাল প্রস্তাব বন্টন নিয়ে আসা এবং কারণ তারা একে অপরের উপর নির্ভর করে, তাদের নিজস্ব অনেক অর্থ করেও। গড় ছড়িয়ে পড়ার দূরত্বের একটি স্পষ্ট জৈবিক অর্থ রয়েছে, তবে একটি নির্দিষ্ট গড় ছড়িয়ে দেওয়া দূরত্বকে এবং এর অসীম বহু সংমিশ্রণ দ্বারা ব্যাখ্যা করা যেতে পারে । যেমন এবং পোস্টে পরস্পর সম্পর্কিত হয়।$a$$b$$a$$b$$a$$b$

এখন পর্যন্ত আমি মেট্রোপলিস হেস্টিংস ব্যবহার করেছি, তবে আমি এখানে অন্য যে কোনও অ্যালগোরিদম খোলামেলা তা ব্যবহার করে চলেছি।

প্রশ্ন: এমন যেকোনো কেউ প্রস্তাব মান আঁকা আরও কার্যকর উপায় সুপারিশ এবং ?$a$$b$

সম্পাদনা: সিস্টেম সম্পর্কে অতিরিক্ত তথ্য: আমি একটি উপত্যকার পাশাপাশি গাছপালার একটি জনসংখ্যা অধ্যয়ন করছি। দাতা উদ্ভিদ এবং যে উদ্ভিদগুলি তারা পরাগায়িত করে তার মধ্যে পরাগের মধ্য দিয়ে ভ্রমণ করা দূরত্বগুলির বন্টন নির্ধারণের লক্ষ্য। আমার কাছে থাকা ডেটাগুলি হ'ল:

1. প্রতিটি সম্ভাব্য পরাগ দাতার জন্য অবস্থান এবং ডিএনএ
2. Ma০ টি মাতৃগাছের (যেমন পরাগ গ্রহণকারী) নমুনা থেকে সংগ্রহ করা বীজগুলি জন্মানো এবং জিনোটাইপ করা হয়েছে।
3. প্রতিটি মাতৃ গাছের জন্য অবস্থান এবং ডিএনএ।

আমি দাতা উদ্ভিদের পরিচয় জানি না, তবে জেনেটিক ডেটা থেকে এটি নির্ধারণ করা যেতে পারে যে প্রতিটি দানাদারের দাতা কোন দাতা। আসুন এই তথ্যগুলি সম্ভাব্য জি এর ম্যাট্রিক্সে প্রতিটি বংশের জন্য একটি সারি এবং প্রতিটি পরীক্ষার্থী দাতার জন্য একটি কলামে অন্তর্ভুক্ত রয়েছে, যা কেবলমাত্র জেনেটিক তথ্যের ভিত্তিতে প্রতিটি প্রার্থীর প্রতিটি সন্তানের জনক হওয়ার সম্ভাবনা দেয় gives জি গণনা করতে প্রায় 3 সেকেন্ড সময় নেয় এবং প্রতিটি পুনরাবৃত্তিতে পুনরায় গণনা করা দরকার, যা জিনিসগুলি যথেষ্ট গতিতে ধীর করে দেয়।

যেহেতু আমরা সাধারণত আশা করি নিকটস্থ প্রার্থী দাতাগুলি পিতৃপুরুষ হওয়ার সম্ভাবনা বেশি, তাই আপনি যদি যৌথভাবে পিতৃত্ব অনুমান করেন এবং ছত্রভঙ্গ হন তবে পিতৃত্বের অনুমান আরও সঠিক। ম্যাট্রিক্স ডিতে জি এর সমান মাত্রা রয়েছে এবং এতে মা ও প্রার্থী এবং পরামিতিগুলির কিছু ভেক্টরের মধ্যে দূরত্বের একটি কার্যকারিতা ভিত্তিক পিতৃত্বের সম্ভাবনা রয়েছে। ডি এবং জি-তে উপাদানগুলি গুণমান পিতৃত্বের জেনেটিক এবং স্থানিক ডেটার যৌথ সম্ভাবনা দেয়। গুণিত মানগুলির পণ্য বিচ্ছুরণ মডেলের সম্ভাবনা দেয়।

উপরে বর্ণিত হিসাবে আমি ছড়িয়ে ছিটিয়ে মডেল করতে জিএনডি ব্যবহার করে আসছি। আসলে আমি খুব সহজেই জিএনডি এবং অভিন্ন বিতরণের মিশ্রণ ব্যবহার করেছি যাতে একাকী সুযোগের কারণে পিতৃত্বের উচ্চতর সম্ভাবনা থাকার সম্ভাবনা খুব বেশি দূরে প্রার্থীদের (জেনেটিক্স অগোছালো) যা উপেক্ষা করা হলে জিএনডি এর আপাত লেজকে ফুলে উঠবে। সুতরাং ছড়িয়ে যাওয়ার দূরত্ব এর সম্ভাবনা হ'ল:$d$

$$c \Pr(d|a,b) + \frac{(1-c)}{N}$$

যেখানে জিএনডি থেকে বিচ্ছুরণের দূরত্বের সম্ভাবনা, এন প্রার্থীদের সংখ্যা এবং ( ) জিএনডি ছড়িয়ে দিতে কতটা অবদান রাখে তা নির্ধারণ করে।$\Pr(d|a,b)$$c$$0< c <1$

সুতরাং দুটি অতিরিক্ত বিবেচনা রয়েছে যা গণনার ভার বাড়িয়ে তোলে:

1. বিচ্ছুরিত দূরত্বটি জানা যায় না তবে প্রতিটি পুনরাবৃত্তিতে অনুমান করা আবশ্যক এবং এটি করার জন্য জি তৈরি করা ব্যয়বহুল।
2. ওভার সংহত করার জন্য একটি তৃতীয় প্যারামিটার, , রয়েছে।$c$

এই কারণগুলির জন্য গ্রিড ইন্টারপোলেশন সম্পাদন করা আমার কাছে এতো সামান্য জটিল বলে মনে হয়েছিল তবে আমি অন্যথায় দৃ convinced় বিশ্বাসী হয়ে সন্তুষ্ট।

উদাহরণ

আমি যে পাইথন কোডটি ব্যবহার করেছি তার একটি সরল উদাহরণ এখানে। আমি জেনেটিক ডেটা থেকে পিতৃত্বের অনুমানকে সরল করে দিয়েছি, যেহেতু এতে প্রচুর অতিরিক্ত কোড জড়িত হবে এবং 0 এবং 1 এর মধ্যে মানগুলির ম্যাট্রিক্সের সাথে এটি প্রতিস্থাপন করা হয়েছে।

প্রথমে জিএনডি গণনা করার জন্য ফাংশনগুলি সংজ্ঞায়িত করুন:

import numpy as np
from scipy.special import gamma

def generalised_normal_PDF(x, a, b, gamma_b=None):
    """
    Calculate the PDF of the generalised normal distribution.

    Parameters
    ----------
    x: vector
        Vector of deviates from the mean.
    a: float
        Scale parameter.
    b: float
        Shape parameter
    gamma_b: float, optional
        To speed up calculations, values for Euler's gamma for 1/b
        can be calculated ahead of time and included as a vector.
    """
    xv = np.copy(x)
    if gamma_b:
        return (b/(2 * a * gamma_b ))      * np.exp(-(xv/a)**b)
    else:
        return (b/(2 * a * gamma(1.0/b) )) * np.exp(-(xv/a)**b)

def dispersal_GND(x, a, b, c):
    """
    Calculate a probability that each candidate is a sire
    assuming assuming he is either drawn at random form the
    population, or from a generalised normal function of his
    distance from each mother. The relative contribution of the
    two distributions is controlled by mixture parameter c.

    Parameters
    ----------
    x: vector
        Vector of deviates from the mean.
    a: float
        Scale parameter.
    b: float
        Shape parameter
    c: float between 0 and 1.
        The proportion of probability mass assigned to the
        generalised normal function.
    """    
    prob_GND = generalised_normal_PDF(x, a, b)
    prob_GND = prob_GND / prob_GND.sum(axis=1)[:, np.newaxis]

    prob_drawn = (prob_GND * c) + ((1-c) / x.shape[1])
    prob_drawn = np.log(prob_drawn)

    return prob_drawn

এরপরে 2000 প্রার্থী এবং 800 বংশের অনুকরণ করুন। বংশের মা এবং প্রার্থী পিতাদের এবং একটি ডামি জি ম্যাট্রিক্সের মধ্যে দূরত্বের একটি তালিকাও অনুকরণ করুন ।

n_candidates = 2000 # Number of candidates in the population
n_offspring  = 800 # Number of offspring sampled.
# Create (log) matrix G.
# These are just random values between 0 and 1 as an example, but must be inferred in reality.
g_matrix  = np.random.uniform(0,1, size=n_candidates*n_offspring)
g_matrix  = g_matrix.reshape([n_offspring, n_candidates])
g_matrix  = np.log(g_matrix)
# simulate distances to ecah candidate father
distances = np.random.uniform(0,1000, 2000)[np.newaxis]

প্রাথমিক প্যারামিটার মান সেট করুন:

# number of iterations to run
niter= 100
# set intitial values for a, b, and c.
a_current = np.random.uniform(0.001,500, 1)
b_current = np.random.uniform(0.01,  3, 1)
c_current = np.random.uniform(0.001,  1, 1)
# set initial likelihood to a very small number
lik_current = -10e12

পরিবর্তে a, b এবং c আপডেট করুন এবং মেট্রোপলিস অনুপাতের গণনা করুন।

# number of iterations to run
niter= 100
# set intitial values for a, b, and c.
# When values are very small, this can cause the Gamma function to break, so the limit is set to >0.
a_current = np.random.uniform(0.001,500, 1)
b_current = np.random.uniform(0.01,  3, 1)
c_current = np.random.uniform(0.001,  1, 1)
# set initial likelihood to a very small number
lik_current = -10e12 
# empty array to store parameters
store_params = np.zeros([niter, 3])

for i in range(niter):
    a_proposed = np.random.uniform(0.001,500, 1)
    b_proposed = np.random.uniform(0.01,3, 1)
    c_proposed = np.random.uniform(0.001,1, 1)

    # Update likelihood with new value for a
    prob_dispersal = dispersal_GND(distances, a=a_proposed, b=b_current, c=c_current)
    lik_proposed = (g_matrix + prob_dispersal).sum() # lg likelihood of the proposed value
    # Metropolis acceptance ration for a
    accept = bool(np.random.binomial(1, np.min([1, np.exp(lik_proposed - lik_current)])))
    if accept:
        a_current = a_proposed
        lik_current = lik_proposed
    store_params[i,0] = a_current

    # Update likelihood with new value for b
    prob_dispersal = dispersal_GND(distances, a=a_current, b=b_proposed, c=c_current)
    lik_proposed = (g_matrix + prob_dispersal).sum() # log likelihood of the proposed value
    # Metropolis acceptance ratio for b
    accept = bool(np.random.binomial(1, np.min([1, np.exp(lik_proposed - lik_current)])))
    if accept:
        b_current = b_proposed
        lik_current = lik_proposed
    store_params[i,1] = b_current

    # Update likelihood with new value for c
    prob_dispersal = dispersal_GND(distances, a=a_current, b=b_current, c=c_proposed)
    lik_proposed = (g_matrix + prob_dispersal).sum() # lg likelihood of the proposed value
    # Metropolis acceptance ratio for c
    accept = bool(np.random.binomial(1, np.min([1, np.exp(lik_proposed - lik_current)])))
    if accept:
        c_current = c_proposed
        lik_current = lik_proposed
    store_params[i,2] = c_current

Comments

আপনি কি খ এবং খ-এর পূর্ববর্তী সন্ধান করছেন, বা কোনও মেট্রোপলিস-হেস্টিংস অ্যালগরিদমে প্রস্তাব বিতরণের জন্য? মনে হয় আপনি উভয় পদই আন্তঃবিন্যভাবে ব্যবহার করেছেন।

— রবিন রাইডার

আপনি ঠিক বলেছেন - পরিষ্কার না হওয়ার জন্য দুঃখিত। আমি এমএইচ জন্য একটি প্রস্তাব বিতরণ সবচেয়ে আগ্রহী। আমি সেই শিরোনামটি পরিবর্তন করেছি যেখানে আমি সেই অনুযায়ী প্রিয়ারদের উল্লেখ করেছি।

— tellis

ফ্ল্যাট বা জেফ্রিস পূর্বে উপর অধীনে , অর্থাত্, বা আমি বিশ্বাস করি যে পরিবর্তনশীল পরিবর্তন একটি বদ্ধ উত্পাদন করে -পরিবর্তিত শর্তসাপেক্ষ । । π ( a ) ∝ 1 π ( a ) ∝ 1 / a α = a - b π ( a | b , ডেটা $a$$\pi(a)\propto 1$$\pi(a)\propto 1/a$$\alpha=a^{-b}$$\pi(a|b,\text{data})$

— শি'য়ান

দেখুন en.wikipedia.org/wiki/Generalized_normal_distribution

— kjetil খ halvorsen

আপনি আরও আগে যে মেট্রোপলিস-হেস্টিংসকে আরও দক্ষতার সাথে পরিচালনা করতে বা সহায়তা করতে চান এমন কোনও সেট স্থাপন করতে আগ্রহী কিনা তা এখনও অস্পষ্ট remains

— শি'আন

Answer 1

আপনার মার্কোভ চেইন মন্টি কার্লো (এমসিএমসি) পদ্ধতিটি ব্যবহার করার দরকার নেই।

আপনি ব্যবহার করে থাকেন অভিন্ন পূর্বে ডিস্ট্রিবিউশন তারপর আপনি খুব পরামিতি জন্য একটি সীমিত স্থান সর্বোচ্চ সম্ভাবনা প্রাক্কলন হিসাবে অনুরূপ কিছু করছেন এবং ।$a$$b$

$$P(a,b;d) = P(d;a,b) \frac{P(a,b)}{P(d)} = \mathcal{L}(a,b;d) \times const$$

যেখানে a একটি ধ্রুবক ( এবং থেকে স্বতন্ত্র ) এবং এটি সম্ভাব্য ক্রিয়াকে স্কেল করে এটি পাওয়া যায় যে এটি 1 এর সাথে সংহত করে।$\frac{P(a,b)}{P(d)}$$a$$b$

লগ সম্ভাবনা ফাংশন, জন্য IID ভেরিয়েবল হল:$n$$d_i \sim GN(0,a,b)$

$$\log \mathcal{L}(a,b;d) = -n \log(2a) - n \log\left(\frac{\Gamma(1/b)}{b} \right) - \frac{1}{a^b} \sum_{i=1}^n \left( d_i \right)^b$$

এই ফাংশনটির জন্য এটির প্লট করা এবং সর্বাধিক সন্ধান করা খুব বেশি কঠিন হওয়া উচিত নয়।

Comments

এই প্যাঁচা প্রবণতা দুটি পরামিতি এবং পর্যবেক্ষণ করা দূরত্বগুলির জন্য কাজ করবে এবং আমি যা করতে শেষ হতে পারি তা হতে পারে। আমি প্রকৃতপক্ষে ছড়িয়ে পড়ার দূরত্ব এবং পিতৃত্বের অনুমানের যৌথ অনুমান করছি, যার সাথে সংহত করার জন্য কমপক্ষে অন্য একটি প্যারামিটার জড়িত রয়েছে, এবং একটি অতিরিক্ত সম্ভাব্য শব্দ যা সত্যই ধীরে ধীরে (ite 3 সেকেন্ড প্রতি পুনরাবৃত্তি) যা শৃঙ্খলাটিকে ধীর করে দেয়। আমি মনে করি আমার বর্তমানে মার্কভ চেইনের জন্য প্রায় 10 গুণ বেশি পুনরাবৃত্তি প্রয়োজন।

— tellis

@ টেলিস এই শব্দগুলি 'ছড়িয়ে দেওয়া দূরত্ব' এবং 'পিতৃত্ব অনুমান' আমি সত্যিই বুঝতে পারি না। হতে পারে আপনি একটি ডেটাসেট বা এর একটি অংশ যোগ করে আরও কিছু কংক্রিট তথ্য সরবরাহ করতে পারেন। এটি করার সময় আপনি 'অন্য একটি প্যারামিটার' সম্পর্কে আরও কথা বলতে পারেন। সুতরাং, এটি আপনার কাছে কোন ডেটা আছে?

— সেক্সটাস এম্পেরিকাস

সিমুলেটেড ডেটা ব্যবহার করে আমি একটি উদাহরণ যুক্ত করেছি।

— 2'18

Answer 2

আপনি মডেলটি কীভাবে স্থাপন করছেন তা আমি পুরোপুরি বুঝতে পারি না: বিশেষত, আমার কাছে মনে হয় যে একটি নির্দিষ্ট বীজের জন্য, সম্ভাব্য পরাগ বিচ্ছুরিত দূরত্বগুলি একটি সীমাবদ্ধ সেট, এবং এইভাবে আপনার "বিচ্ছুরণ সম্ভাবনা" কে আরও ভাল বলা যেতে পারে " সংশ্লেষের হার "(যেমন সম্ভাব্য হওয়ার জন্য পুটিক পিতৃবৃন্দকে সংক্ষিপ্ত করে সাধারণকরণের প্রয়োজন হবে)। সুতরাং প্যারামিটারগুলির আপনার প্রত্যাশা করা অর্থটি (যেমন হিসাবে প্রশংসনীয় মানের) নাও থাকতে পারে।

আমি অতীতে বেশ কয়েকটি অনুরূপ সমস্যার উপর কাজ করেছি এবং তাই আমি আমার উপলব্ধিগুলির শূন্যস্থানগুলি পূরণ করার চেষ্টা করব, সম্ভাব্য পদ্ধতির / সমালোচনামূলক চেহারার পরামর্শ দেওয়ার উপায় হিসাবে। দুঃখিত যদি আমি আপনার মূল প্রশ্নটি পুরোপুরি মিস করি। নীচের চিকিত্সাটি মূলত হ্যাডফিল্ড এট আল (2006) অনুসরণ করে , যা এই ধরণের মডেল সম্পর্কে আরও ভাল কাগজপত্র।

যাক রুম এ জেনোটাইপ বোঝাতে কিছু ব্যক্তির জন্য । সন্তান-সন্ততি জ্ঞাত মায়ের সাথে এবং অবৈধ পিতা , পর্যবেক্ষিত সন্তানসন্ততি জেনোটাইপ সম্ভাবনা হোক - সহজতম ক্ষেত্রে এটি কেবল মেন্ডেলিয়ার উত্তরাধিকারের সম্ভাবনার একটি পণ্য, তবে আরও জটিল ক্ষেত্রে জিনোটাইপিং ত্রুটির কোনও মডেল বা পিতামাতার জিনোটাইপগুলি অন্তর্ভুক্ত থাকতে পারে, তাই আমি উপদ্রব পরামিতিগুলি অন্তর্ভুক্ত করি ) ।$X_{l,k}$$l$$k$$i$$m_i$$f$

$$G_{i,f} = \prod_l \mathrm{Pr}(X_{l,i}|X_{l,m_i}, X_{l,f}, \theta)$$ $\theta$

যাক হতে সন্তানসন্ততি জন্য পরাগ ছড়িয়ে পড়া দূরত্ব , আর দিন পরিচিত মা মধ্যে দূরত্ব হতে এবং অবৈধ পিতা , এবং দিন ছত্রভঙ্গ হার (যেমন আপনার প্রশ্নের মতো সাধারণীকরণের সাধারণ এবং অভিন্ন পিডিএফগুলির একটি ভারিত সংমিশ্রণ be সম্ভাব্যতা হিসাবে ছত্রাকের হারটি প্রকাশ করার জন্য, সীমাবদ্ধ রাষ্ট্রীয় স্থানটিতে কব্জিটিকে স্বাভাবিক করুন: আপনার অধ্যয়নের ক্ষেত্রের (সীমাবদ্ধ) সংখ্যক পুত্র পিতৃগণের দ্বারা সংখ্যায়িত সম্ভাব্য ছড়িয়ে পড়া দূরত্বের (সসীম) সেট, যাতে $\delta_i$$i$$d_{m_i,f}$$m_i$$f$$D_{i,f} = q(d_{m_i,f}|a,b,c)$

$$\tilde{D}_{i,f} = \mathrm{Pr}(\delta_i = d_{m_i,f}|a,b,c) = \frac{D_{i,f}}{\sum_k D_{i,k}}$$

যাক সীড পৈতৃক নিয়োগ হতে , যে যদি উদ্ভিদ সন্তানসন্ততি জনক । পিতৃত্বের কার্যভারের আগে একটি অভিন্ন ধারণা গ্রহণ করে, other অন্য কথায়, অন্যান্য পরামিতি এবং জিনোটাইপগুলিতে শর্তসাপেক্ষে পিতৃতান্ত্রিক কার্যনির্বাহ একটি সীমাবদ্ধ সমর্থন সহ একটি পৃথক আরভি, যা বলা সমর্থন (সম্ভাব্য পিতৃপুরুষ) জুড়ে একীভূত করে স্বাভাবিক করা হয়।$P_i$$i$$P_i = f$$f$$i$

$$\mathrm{Pr}(P_i = f|a,b,c,\theta,X) = \frac{G_{i,f}\tilde{D}_{i,f}}{\sum_k G_{i,k}\tilde{D}_{i,k}} = \frac{G_{i,f}D_{i,f}}{\sum_k G_{i,k}D_{i,k}}$$

সুতরাং এই সমস্যার জন্য একটি সাধারণ নমুনা লেখার যুক্তিসঙ্গত উপায় হ'ল মেট্রোপলিস-ইন-ইন-গিবস:

1. উপর শর্তসাপেক্ষ , আপডেট উদ্ভব বরাদ্দকরণ সবার জন্য । এটি সীমাবদ্ধ সমর্থন সহ একটি স্বতন্ত্র আরভি যাতে আপনি সহজেই একটি নিখুঁত নমুনা আঁকতে পারেন$\{a,b,c,\theta\}$$P_i$$i$
2. শর্তসাপেক্ষ উপর আপডেট একটি মহানগরী-হেস্টিংস আপডেটের। লক্ষ্য গঠনের জন্য, উপরের সমীকরণগুলিতে কেবলমাত্র মানগুলি আপডেট করা দরকার, সুতরাং এটি ব্যয়বহুল নয়$\{P_i,\theta\}$$a,b,c$$D$
3. এমএইচ আপডেটের সাথে a , আপডেট শর্তযুক্ত । লক্ষ্য গঠনের জন্য, মানগুলি আপডেট করা দরকার, যা ব্যয়বহুল, তবে তা করেন না।$\{P_i,a,b,c\}$$\theta$$G$$D$

of এর নমুনাগুলির অঙ্কন ব্যয় হ্রাস করার জন্য , আপনি একবারের আগে 1-2 বার ধাপে সঞ্চালন করতে পারেন steps. পদক্ষেপ বিতরণ টিউন করতে ২-৩ পদক্ষেপে আপনি প্রাথমিক রান থেকে নমুনা ব্যবহার করতে পারেন জন্য যৌথ অবর বন্টন কোভ্যারিয়েন্স অনুমান । তারপরে একটি বহুভুক্ত গাউসিয়ান প্রস্তাবের মধ্যে এই সমবায় অনুমানটি ব্যবহার করুন। আমি নিশ্চিত যে এটি সবচেয়ে দক্ষ পদ্ধতির নয়, তবে এটি কার্যকর করা সহজ।$\{a,b,c\}$$\{a,b,c,\theta\}$

এখন, এই স্কিমটি আপনি ইতিমধ্যে যা করছেন তার কাছাকাছি হতে পারে (আপনি কীভাবে আপনার প্রশ্ন থেকে প্যাটার্নি মডেলিং করছেন তা আমি বলতে পারি না)। তবে গণনামূলক উদ্বেগের বাইরে আমার বৃহত্তর বিষয়টি হ'ল প্যারামিটারগুলির এর অর্থ আপনার মনে হয় না যা তারা ছড়িয়ে পড়ার দূরত্বকে বোঝায়। এটি কারণ, আমি উপরে বর্ণিত পিতৃত্বের মডেল প্রসঙ্গে , উভয় অংকের এবং ডিনোমিনেটরে প্রবেশ করে (ধ্রুবকে স্বাভাবিকীকরণ করি): এভাবে গাছের স্থানিক ব্যবস্থা হবে মানগুলির উচ্চ সম্ভাবনা বা উত্তরোত্তর সম্ভাবনা রয়েছে যার উপর একটি সম্ভাব্য শক্তিশালী প্রভাব রয়েছে । এটি বিশেষত সত্য যখন গাছগুলির স্থানিক বিতরণ অসম হয়।$a,b,c$$\mathrm{Pr}(P_i|\cdot)$$a,b,c$a , b , c$a,b,c$

অবশেষে, আমি আপনাকে পরামর্শ দিচ্ছি যে আপনি যদি ইতিমধ্যে না পেয়ে থাকেন তবে উপরের সাথে যুক্ত হ্যাডফিল্ড পেপার এবং তার সাথে থাকা আর প্যাকেজ ("মাস্টারবেস") একবার দেখুন take কমপক্ষে এটি ধারণাগুলি সরবরাহ করতে পারে।

Comments

আমার দৃষ্টিভঙ্গিটি হ্যাডফিল্ডের সাথে দুটি বড় পরিবর্তনের সাথে মডেল করা হয়েছে: (১) একজন মায়ের বীজ পুরো ভাইবোনের হতে পারে এবং তাই স্বতন্ত্র নয়। সমস্যাটি হ'ল যৌথভাবে ছত্রভঙ্গ, পিতৃত্ব, ব্যাট এছাড়াও সহোদর কাঠামো er (২) আমি সকল প্রার্থীকে পিতৃত্বের সম্ভাবনা অনুপাতে একই সাথে পিতৃত্বের সম্ভাবনা অনুপাতে বিবেচনা করার জন্য একটি ভগ্নাংশ পিতৃত্বের পদ্ধতির ব্যবহার করছি, কারণ সম্ভাব্য পিতৃপুরুষদের অন্বেষণের জন্য অনেক বড় জায়গা রয়েছে।

— বলুন

আমি এই জিনিসগুলি করতে প্যাকেজটি FAPS ব্যবহার করছি ।

— টেলিস

আমার প্রশ্নটি মূলত আপনার পয়েন্ট ২ টি করার জন্য একটি দক্ষ প্রস্তাব বিতরণ সম্পর্কে জিজ্ঞাসা করছে আপনার বাকী উত্তরটি জি এবং ডি এর পণ্য নির্ধারণ সহ আমি ইতিমধ্যে যা করেছি তার খুব কাছাকাছি কিছু বর্ণনা করে (তবে এর জন্য ধন্যবাদ - আমি ছিলাম না 'নিশ্চিত না যে আমি এটি সঠিকভাবে করেছিলাম, তাই এটি দ্বিতীয় জোড়া চোখের সম্মত হওয়া জেনে রাখা কার্যকর!)।

— tellis

দুঃখিত, আমার কাছে কোনও ক্যানড সলিউশন আর্ট প্রস্তাব বিতরণ নেই, দুঃখিত। তবে আমার কয়েকটি পর্যবেক্ষণ আছে: (১) 1-2 টি পদক্ষেপ খুব সস্তা, এবং 3 য় ধাপে যাওয়ার আগে অল্প খরচে অনেকবার পুনরাবৃত্তি করা যেতে পারে, এমনকি দ্বিতীয় ধাপে একটি ছোট প্রস্তাবের সাথেও, "অনেকগুলি পুনরাবৃত্তি যথেষ্ট হবে" এর রাজ্য স্পেসে "বড় পদক্ষেপ করুন" । $a,b,c$

— নাট পোপ

(২) দ্বিতীয় ধাপে শর্তসাপেক্ষ বিতরণ ত্রিমাত্রিক। হিসাবে হিসাবে: কল্পনা সহজ। এর অপ্রতিষ্ঠিত লক্ষ্যটি একটি স্থির এর পিতৃত্বের কার্যভারের এমএপি অনুমানের মতো দেখতে কেমন ? বিভিন্ন পিতৃ-মাতৃভূমিতে অস্বাভাবিক লক্ষ্যমাত্রাটি দেখার জন্য আপনার যদি বোঝা উচিত যে এটি কোনও মাল্টিমোডাল, অঞ্চলগুলিতে সমতল ইত্যাদি$a,b,c$$G$

— নেট পোপ