采样器

此子模块包含用于MCMC和前向采样的函数。

sample([draws, tune, chains, cores, ...])	使用给定的步骤方法从后验中抽取样本。
sample_prior_predictive([samples, model, ...])	从先验预测分布生成样本。
sample_posterior_predictive(trace[, model, ...])	从给定的轨迹生成模型的后验预测样本。
sample_posterior_predictive_w(traces[, ...])	根据一组权重，从模型列表和轨迹列表生成加权后验预测样本。
sampling.jax.sample_blackjax_nuts([draws, ...])	使用 blackjax 库中的 NUTS 方法从后验分布中抽取样本。
sampling.jax.sample_numpyro_nuts([draws, ...])	使用 numpyro 库中的 NUTS 方法从后验分布中抽取样本。
init_nuts(*[, init, chains, n_init, model, ...])	设置NUTS的质量矩阵初始化。
draw(vars[, draws, random_seed])	为一个变量或变量列表绘制样本

步骤方法

HMC 系列

NUTS(*args, **kwargs)	基于哈密顿力学的连续变量采样器。
HamiltonianMC(*args, **kwargs)	基于哈密顿力学的连续变量采样器。

Metropolis 家族

BinaryGibbsMetropolis(*args, **kwargs)	一种针对二元变量优化的Metropolis-within-Gibbs步骤方法
BinaryMetropolis(*args, **kwargs)	针对二元变量优化的 Metropolis-Hastings 算法
CategoricalGibbsMetropolis(*args, **kwargs)	一种针对分类变量优化的Metropolis-within-Gibbs步骤方法。
CauchyProposal(s)
DEMetropolis(*args, **kwargs)	差分进化 Metropolis 采样步骤。
DEMetropolisZ(*args, **kwargs)	自适应差分进化大都会采样步骤，利用过去的信息来指导跳跃。
LaplaceProposal(s)
Metropolis(*args, **kwargs)	Metropolis-Hastings 采样步骤
MultivariateNormalProposal(s)
NormalProposal(s)
PoissonProposal(s)
UniformProposal(s)

其他步骤方法

CompoundStep(methods)	由一系列其他步骤方法组成的步骤方法，按顺序应用。
Slice(*args, **kwargs)	单变量切片采样器步进方法。