আপনার কাছে বেশ কয়েকটি সুন্দর, কম-বেশি-সহজ, বিকল্প রয়েছে। আপনার ইউনিফর্ম পূর্বে তাদের সহজতর করতে সহায়তা করে।
বিকল্প 1: স্বাধীনতার নমুনা। আপনি কেবলমাত্র আপনার প্রস্তাবের বিতরণটিকে ইউনিট বর্গক্ষেত্রে অভিন্ন বিতরণের সমান হিসাবে সেট করতে পারেন, এটি নিশ্চিত করে যে নমুনাগুলি সীমাবদ্ধ অঞ্চলের বাইরে নেমে আসবে না, আপনি যেমন কল করেন তেমন। সম্ভাব্য খারাপ দিক: যদি উত্তরকটি ইউনিট বর্গক্ষেত্রের খুব ছোট অঞ্চলে কেন্দ্রীভূত হয় তবে আপনার গ্রহণযোগ্যতার হার খুব কম হতে পারে। ওও, কোনও ইউ (0,1) বিতরণ থেকে দ্রুত এলোমেলো সংখ্যা উত্পন্ন করা শক্ত। সম্ভাব্য উত্সাহ: আপনার জন্য কম কাজ।
বিকল্প 2: আপনার পরামিতিগুলিকে এমন কিছুতে রূপান্তর করুন যা আবদ্ধ নয়, রূপান্তরিত প্যারামিটারগুলির জন্য প্রস্তাব করুন, তারপরে সম্ভাব্য ক্রিয়াকলাপগুলিতে ব্যবহারের জন্য প্যারামিটারগুলি ফিরে রূপান্তর করুন। মনে রাখবেন যে এক্ষেত্রে পূর্বেরটি রূপান্তরিত পরামিতিগুলিতে চলে আসবে, কারণ এটিই আপনি প্রস্তাবনা তৈরি করছেন, সুতরাং নতুন পূর্ব পেতে আপনাকে রূপান্তরটির জ্যাকবীয়দের সাথে বিচলিত হতে হবে। অবশ্যই আপনার বিশ্লেষণের জন্য, আপনি এমসিএমসি-উত্পন্ন পরামিতি এলোমেলো সংখ্যাগুলি মূল প্যারামিটারগুলিতে ফিরে পাবেন trans সম্ভাব্য খারাপ দিক: আপনার জন্য আরও প্রাথমিক কাজ। তাত্পর্যপূর্ণ উল্টো দিকে: আপনার প্রস্তাবগুলির জন্য আরও ভাল গ্রহণযোগ্যতার হার।
বিকল্প 3: ইউনিট স্কোয়ারে থাকা স্বাধীনতার নমুনা ব্যতীত একটি প্রস্তাব বিতরণ তৈরি করুন। এটি আপনাকে আগে আপনার ইউনিফর্ম রাখতে দেয়, তবে প্রস্তাবের সম্ভাবনার গণনা করার সময় বৃহত্তর জটিলতার মূল্যে of এর একটা উদাহরণ, লেট আপনার পরামিতি এক বর্তমান মান হতে পরামিতি সঙ্গে একটি বিটা বিতরণ হবে ( এন এক্স , এন ( 1 - এক্স ) ) । বৃহত্তর এন হ'ল আপনার প্রস্তাবটি যত বেশি কেন্দ্রীভূত হবে বর্তমান মানটির কাছাকাছি হবে। সম্ভাব্য খারাপ দিক: আপনার জন্য আরও প্রাথমিক কাজ। তাত্পর্যপূর্ণ উল্টো দিকে: আপনার প্রস্তাবগুলির জন্য আরও ভাল গ্রহণযোগ্যতার হার - তবে আপনি যদি এন করেনx(nx,n(1−x))nn খুব বড়, এবং একটি কোণে সরানো, আপনি বেরোনোর আগে কোণে অনেকগুলি ছোট ছোট চাল তৈরি করতে পারেন।
বিকল্প 4: কেবল ইউনিট স্কোয়ারের বাইরে পড়ে এমন কোনও প্রস্তাব প্রত্যাখ্যান করুন (জিয়ানের অর্ধ-হৃদয়যুক্ত পরামর্শ)। মনে রাখবেন যে এটি কেবল অন্য প্রস্তাব উত্পন্ন করার মতো নয়; এই ক্ষেত্রে আপনি প্রস্তাবটি প্রত্যাখ্যান করছেন, যার অর্থ প্যারামিটারের জন্য আপনার পরবর্তী মান প্যারামিটারের বর্তমান মানের সমান। এটি কাজ করে কারণ আপনার প্যারামিটার জায়গার কোনও অঞ্চলের শূন্য পূর্বের সম্ভাবনা থাকলে এবং সেই অঞ্চলে যে এলোমেলো সংখ্যা তৈরি হয়েছিল তা ঘটলে এটিই ঘটে। সম্ভাব্য খারাপ দিক: আপনি যদি কোনও কোণে কাছে যান তবে আপনার গ্রহণযোগ্যতা কম হতে পারে এবং কিছুক্ষণ আটকে যেতে পারেন। সম্ভাব্য উত্সাহ: আপনার জন্য কম কাজ।
বিকল্প 5: বিমানটিতে একটি বর্ধিত সমস্যা তৈরি করুন যা ইউনিট স্কোয়ারে থাকা আপনি যে আসল সমস্যার মুখোমুখি হচ্ছেন একই রকম, সবকিছু ঠিকঠাক করুন, তারপরে, MCMC স্যাম্পলিংয়ের ফলাফলগুলি পোস্ট-প্রসেসিং করার সময়, সমস্ত নমুনা বাইরে ফেলে দিন ইউনিট বর্গাকার। সম্ভাব্য বিপরীতমুখী: যদি বর্ধিত সমস্যাটি তৈরি করা খুব সহজ হয় তবে এটি আপনার পক্ষে কম কাজ হতে পারে। সম্ভাব্য খারাপ দিক: যদি মার্কভ চেইন কিছুক্ষণের জন্য ইউনিট স্কয়ারের বাইরে কোথাও ঘুরে বেড়ায়, ফলস্বরূপ, আপনার ভয়াবহ গ্রহণযোগ্যতা সম্ভাবনা রয়েছে, কারণ আপনি আপনার বেশিরভাগ নমুনা ফেলে দেবেন।
সন্দেহ নেই যে অন্যান্য বিকল্প রয়েছে, আমি অন্যান্য লোকেরা কী পরামর্শ দেয় তা দেখতে আগ্রহী!
2 এবং 3 এর মধ্যে পার্থক্যটি কিছুটা ধারণাগত, যদিও আপনি আসলে যা করছেন তার প্রকৃত বিপরীতে। আমি সম্ভবত, 3 সঙ্গে যেতে চাই যেমন আমি শুধু প্রস্তাব বন্টন প্যারামিটারের কিছু টিউনিং থেকে (যদি আমি আর প্রোগ্রামিং করছি) এবং অতিরিক্ত প্রচেষ্টা পরিমাণ, সরাইয়া আর আমাকে বল কি প্রস্তাব সম্ভাব্যতা হয় বলা যাক চাই , সৌন্দর্য আমার কাছে ছোট আমি যদি জ্যাগস বা বিজিজি ব্যবহার করতাম তবে অবশ্যই এটি সম্পূর্ণ আলাদা বিষয় হবে, কারণ সেই সরঞ্জামগুলি তাদের নিজস্ব প্রস্তাবনাগুলি পরিচালনা করে।n