He usado los tres muestreadores en investigación real, a menudo sin pensar mucho por qué elegía uno sobre otro. emcee fue mi primer muestreador, NUTS llegó cuando pasé mis verosimilitudes a JAX, y dynesty aparecía cada vez que alguien pedía un factor de Bayes. Con el tiempo me di cuenta de que no podía decir en cuál confiaría en un problema que aún no entendiera del todo.
La mayoría de las comparaciones de muestreadores miden la velocidad, pero la velocidad significa poco si las muestras son incorrectas, y solo puedes comprobar que son incorrectas cuando conoces la respuesta correcta. Por eso elegí tres problemas lo bastante pequeños como para resolverlos exactamente, en una malla densa o de forma analítica, y puntué a cada muestreador frente a la verdad y no frente a los demás.
NUTS fue el más rápido, entre dos y cuatro veces más en problemas suaves, pero falló por completo en el problema multimodal, y sus diagnósticos lo indicaron con claridad. emcee funcionó bien en los problemas fáciles, pero dio respuestas erróneas con total seguridad en el multimodal, sin ninguna advertencia en su salida predeterminada. dynesty fue el único muestreador que encontró todos los modos y produjo una evidencia correcta, aunque sus barras de error de evidencia eran optimistas.
Los tres problemas de prueba aumentaron progresivamente en dificultad. El primero era un control: ajustar Ωm y H0 en un ΛCDM plano a 40 supernovas Tipo Ia simuladas, lo que da una posterior aproximadamente elíptica. El segundo era una cresta curva y estrecha, ajustando Ωm y la ecuación de estado de la energía oscura con H0 fijo. El tercero era un problema multimodal: encontrar la frecuencia de una sinusoide observada en 40 noches a lo largo de 80 días, lo que produce varios picos separados.
Entidades clave: Empresas: Towards Data Science | Personas: Arvi Z.
PREGUNTA FRECUENTE: ¿En qué muestreador deberías confiar en un problema multimodal?
En este benchmark, dynesty fue el único muestreador que encontró todos los modos y produjo una evidencia correcta, mientras que NUTS falló y emcee dio resultados erróneos con total seguridad. Sus barras de error de evidencia, sin embargo, resultaron ser optimistas.
Fuente: Towards Data Science · Resumido por HeadlinesBriefing