[Python]particlesパッケージで逐次モンテカルロ法を適用してみた（前編） - Qiita
こんにちは，株式会社Nospareリサーチャー・千葉大学の小林です．本記事ではAn Introduction to sequential Monte Carloという逐次モンテカルロ法（sequential Monte Carlo, SMC）に関する本 に付随しているparticlesというPythonモジュールを紹介したいと思います．SMCはたくさんの変数（パーティクル）を発生させ，それらのリサンプリング，値の更新，重み付けを繰り返すことで逐次的にフィルタリング密度の近似などを行うモンテカルロ法の一種で，状態空間モデルなどに対して広く適用することができます．線形ガウス状態空間モデルの場合にはカルマンフィルターが適用できますが，非ガウス非線形モデルの場合にはシミュレーションに基づくSMCが有用となります． 状態空間モデル まず状態空間モデルについて簡単に説明します．状態空間モデルは観測され
![[Python]particlesパッケージで逐次モンテカルロ法を適用してみた（前編） - Qiita](https://cdn-ak-scissors.b.st-hatena.com/image/square/43d5b6a79696abcdd0c974abc88a784bfd4d187b/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Farticle-ogp-background-412672c5f0600ab9a64263b751f1bc81.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-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%26mark-x%3D142%26mark-y%3D57%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZoPTc2Jnc9NzcwJnR4dD0lNDBnZW5fbm9zcGFyZSZ0eHQtY29sb3I9JTIzMUUyMTIxJnR4dC1mb250PUhpcmFnaW5vJTIwU2FucyUyMFc2JnR4dC1zaXplPTM2JnR4dC1hbGlnbj1sZWZ0JTJDdG9wJnM9NDMzN2Q1MjQ1OTY0OWIzNTA2NmUxYzg3NzI1ZTU5MGQ%26blend-x%3D142%26blend-y%3D436%26blend-mode%3Dnormal%26txt64%3DaW4g5qCq5byP5Lya56S-Tm9zcGFyZQ%26txt-width%3D770%26txt-clip%3Dend%252Cellipsis%26txt-color%3D%25231E2121%26txt-font%3DHiragino%2520Sans%2520W6%26txt-size%3D36%26txt-x%3D156%26txt-y%3D536%26s%3D225d1147c3a8a792920d33d52f61a2ec)
PyMC3を使ったベイズ推論によるA/Bテスト - ZOZO TECH BLOG
こんにちは。 データチームの後藤です。 A/Bテストはサービス改善のための施策の効果測定に欠かせないツールですが、最近のVASILYでは、運用するサービスが増えてきたことに伴いA/Bテストの内容も多様化してきました。今回はそのA/Bテストにベイズ推論を用いた具体的な例を紹介します。 問題設定 あるサービスのコンバージョン率を上げるため、コンバージョンの前提となる行動Xを増やすための修正を実施しました。ここで、「コンバージョン」は商品の購入などの成約を、「コンバージョン率」は利用数に対して成約に結びついた割合を、「行動X」は買い物カゴに商品を入れるなどコンバージョンの前提となる行動のことを指すことにします。修正がコンバージョン率の上昇に寄与したのかをデータから判断する必要があります。 修正後のページ（パターンA）を表示したグループと、修正前のページ（パターンB）を表示したグループの行動ログを
pythonでNUTSの実装 - やったことの説明
はじめに 前回 ハミルトニアンモンテカルロ法の実装をやった． 今回は No U-Turn Sampler (NUTS)の実装をやる． 論文を参考にした． コードはここにもある github.com NUTS ハミルトニアンモンテカルロ (HMC)はパラメータの勾配を利用して， 効率的にMCMCサンプリングを行うことができる手法だった． HMCの問題点は2つ． 更新ステップ数 を適切に指定しなければいけない． 更新の大きさ を適切に指定しなければいけない． NUTSは更新ステップ数を自動的に決定する手法である． 論文内でははdual-averaging (Nesterov 2009)を用いて決定するが，今回は決め打ちにする． 更新ステップ数L ハミルトニアンモンテカルロでは,正規分布によって発生させた運動量を与えて， ステップの間，点を動かす． 予め決められたステップの間，点を動かすので，例
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
