简单易学的机器学习算法—马尔可夫链蒙特卡罗方法MCMC

对于一般的分布的采样，在很多的编程语言中都有实现，如最基本的满足均匀分布的随机数，但是对于复杂的分布，要想对其采样，却没有实现好的函数，在这里，可以使用马尔可夫链蒙特卡罗(Markov Chain Monte Carlo, MCMC)方法，其中Metropolis-Hastings采样和Gibbs采样是MCMC中使用较为广泛的两种形式。
MCMC的基础理论为马尔可夫过程，在MCMC算法中，为了在一个指定的分布上采样，根据马尔可夫过程，首先从任一状态出发，模拟马尔可夫过程，不断进行状态转移，最终收敛到平稳分布。
一、马尔可夫链
1、马尔可夫链
设Xt表示随机变量X在离散时间t时刻的取值。若该变量随时间变化的转移概率仅仅依赖于它的当前取值，即

也就是说状态转移的概率只依赖于前一个状态。称这个变量为马尔可夫变量，其中，s0,s1,⋯,si,sj∈Ω为随机变量X可能的状态。这个性质称为马尔可夫性质，具有马尔可夫性质的随机过程称为马尔可夫过程。

马尔可夫链指的是在一段时间内随机变量X的取值序列(X0,X1,⋯,Xm)，它们满足如上的马尔可夫性质。

2、转移概率

马尔可夫链是通过对应的转移概率定义的，转移概率指的是随机变量从一个时刻到下一个时刻，从状态si转移到另一个状态sj的概率，即：

记表示随机变量X在时刻t的取值为sk的概率，则随机变量X在时刻t+1的取值为si的概率为：

假设状态的数目为n，则有：

3、马尔可夫链的平稳分布

对于马尔可夫链，需要注意以下的两点：

1、周期性：即经过有限次的状态转移，又回到了自身；
2、不可约：即两个状态之间相互转移；
如果一个马尔可夫过程既没有周期性，又不可约，则称为各态遍历的。

对于一个各态遍历的马尔可夫过程，无论初始值π(0)取何值，随着转移次数的增多，随机变量的取值分布最终都会收敛到唯一的平稳分布π∗，即：

且这个平稳分布π∗满足：

其中，为转移概率矩阵。

二、马尔可夫链蒙特卡罗方法

1、基本思想

对于一个给定的概率分布P(X)，若是要得到其样本，通过上述的马尔可夫链的概念，我们可以构造一个转移矩阵为P的马尔可夫链，使得该马尔可夫链的平稳分布为P(X)，这样，无论其初始状态为何值，假设记为x0，那么随着马尔科夫过程的转移，得到了一系列的状态值，如：x0,x1,x2,⋯,xn,xn+1,⋯,，如果这个马尔可夫过程在第n步时已经收敛，那么分布P(X)的样本即为xn,xn+1,⋯。

2、细致平稳条件

对于一个各态遍历的马尔可夫过程，若其转移矩阵为P，分布为π(x)，若满足：

则π(x)是马尔可夫链的平稳分布，上式称为细致平稳条件。

3、Metropolis采样算法

Metropolis采样算法是最基本的基于MCMC的采样算法。

3.1、Metropolis采样算法的基本原理

假设需要从目标概率密度函数p(θ)中进行采样，同时，θ满足−∞<θ<∞。Metropolis采样算法根据马尔可夫链去生成一个序列：

其中，θ(t)表示的是马尔可夫链在第t代时的状态。
在Metropolis采样算法的过程中，首先初始化状态值θ(1)，然后利用一个已知的分布生成一个新的候选状态θ(∗)，随后根据一定的概率选择接受这个新值，或者拒绝这个新值，在Metropolis采样算法中，概率为：

这样的过程一直持续到采样过程的收敛，当收敛以后，样本θ(t)即为目标分布p(θ)中的样本。

3.2、Metropolis采样算法的流程

基于以上的分析，可以总结出如下的Metropolis采样算法的流程：

初始化时间t=1
设置u的值，并初始化初始状态θ(t)=u
重复一下的过程：
令t=t+1
从已知分布中生成一个候选状态θ(∗)
计算接受的概率：
从均匀分布Uniform(0,1)生成一个随机值a
如果a⩽α，接受新生成的值：θ(t)=θ(∗)；否则：θ(t)=θ(t−1)
直到t=T
3.3、Metropolis算法的解释

要证明Metropolis采样算法的正确性，最重要的是要证明构造的马尔可夫过程满足如上的细致平稳条件，即：

对于上面所述的过程，分布为p(θ)，从状态i转移到状态j的转移概率为：

其中，Qi,j为上述已知的分布。

对于选择该已知的分布，在Metropolis采样算法中，要求该已知的分布必须是对称的，即Qi,j=Qj,i，即

常用的符合对称的分布主要有：正态分布，柯西分布以及均匀分布等。
接下来，需要证明在Metropolis采样算法中构造的马尔可夫链满足细致平稳条件。

因此，通过以上的方法构造出来的马尔可夫链是满足细致平稳条件的。

3.4、实验

假设需要从柯西分布中采样数据，我们利用Metropolis采样算法来生成样本，其中，柯西分布的概率密度函数为：

那么，根据上述的Metropolis采样算法的流程，接受概率α的值为：

代码如下：

'''
Date:20160629
@author: zhaozhiyong
'''
import random
from scipy.stats import norm
import matplotlib.pyplot as plt

def cauchy(theta):
    y = 1.0 / (1.0 + theta ** 2)
    return y

T = 5000
sigma = 1
thetamin = -30
thetamax = 30
theta = [0.0] * (T+1)
theta[0] = random.uniform(thetamin, thetamax)

t = 0
while t < T:
    t = t + 1
    theta_star = norm.rvs(loc=theta[t - 1], scale=sigma, size=1, random_state=None)
    #print theta_star
    alpha = min(1, (cauchy(theta_star[0]) / cauchy(theta[t - 1])))

    u = random.uniform(0, 1)
    if u <= alpha:
        theta[t] = theta_star[0]
    else:
        theta[t] = theta[t - 1]

ax1 = plt.subplot(211)
ax2 = plt.subplot(212)
plt.sca(ax1)
plt.ylim(thetamin, thetamax)
plt.plot(range(T+1), theta, 'g-')
plt.sca(ax2)
num_bins = 50
plt.hist(theta, num_bins, normed=1, facecolor='red', alpha=0.5)
plt.show()数据分析师培训

实验的结果：

对于Metropolis采样算法，其要求选定的分布必须是对称的。