मैंने असली शोध में ये तीनों samplers इस्तेमाल किए हैं, अक्सर यह ठीक से सोचे बिना कि एक को दूसरे पर क्यों चुना। emcee मेरा पहला sampler था, NUTS तब आया जब मैंने अपनी likelihoods को JAX पर ले गया, और dynesty तब आया जब कोई Bayes factor माँगता था। आखिरकार मुझे एहसास हुआ कि जिस समस्या को मैं पहले से पूरी तरह नहीं समझता, उस पर मैं यह नहीं बता सकता कि किस पर भरोसा करूँगा।
अधिकतर sampler तुलनाएँ गति मापती हैं, लेकिन अगर नमूने गलत हों तो गति का कोई खास मतलब नहीं रहता, और गलती तभी जाँची जा सकती है जब सही उत्तर पता हो। इसलिए मैंने तीन ऐसी समस्याएँ चुनीं जो इतनी छोटी थीं कि उन्हें सटीक रूप से हल किया जा सके, या तो घने grid पर या विश्लेषणात्मक रूप से, और हर sampler को दूसरों से नहीं बल्कि सच्चाई से तौला।
NUTS सबसे तेज था, सहज समस्याओं पर दो से चार गुना तेज, लेकिन multimodal समस्या पर वह पूरी तरह विफल रहा, और उसके diagnostics ने यह साफ़ बताया। emcee आसान समस्याओं पर ठीक रहा, लेकिन multimodal समस्या पर उसने पूरे विश्वास के साथ गलत उत्तर दिए, और उसके default आउटपुट में कोई चेतावनी नहीं थी। dynesty एकमात्र sampler था जिसने हर mode खोजा और सही evidence दिया, हालाँकि उसकी evidence error bars आशावादी थीं।
तीन परीक्षण समस्याएँ क्रमशः कठिन होती गईं। पहली एक control थी: 40 simulated Type Ia supernovae पर flat ΛCDM में Ωm और H0 फिट करना, जिससे लगभग दीर्घवृत्ताकार posterior मिला। दूसरी एक वक्र और पतली रिज थी, जिसमें H0 स्थिर रखकर Ωm और dark energy equation of state फिट किए गए। तीसरी multimodal समस्या थी: 80 दिनों में 40 रातों पर देखी गई sinusoid की आवृत्ति खोजना, जिससे कई अलग-अलग शिखर बनते हैं।
प्रमुख इकाइयाँ: कंपनियाँ: Towards Data Science | लोग: Arvi Z.
स्रोत: Towards Data Science · HeadlinesBriefing द्वारा सारांशित