Saya telah menggunakan ketiga sampler ini dalam riset nyata, sering kali tanpa banyak memikirkan alasan memilih yang satu dibandingkan yang lain. emcee adalah sampler pertama saya, NUTS datang ketika saya memindahkan likelihood ke JAX, dan dynesty muncul setiap kali ada yang meminta faktor Bayes. Akhirnya saya menyadari bahwa saya tidak bisa mengatakan sampler mana yang akan saya percayai untuk masalah yang belum sepenuhnya saya pahami.
Sebagian besar perbandingan sampler mengukur kecepatan, tetapi kecepatan tidak berarti banyak jika sampelnya salah, dan kesalahan hanya bisa diperiksa ketika Anda mengetahui jawaban yang benar. Karena itu saya memilih tiga masalah yang cukup kecil untuk diselesaikan secara eksak, baik pada kisi padat maupun secara analitik, dan menilai setiap sampler terhadap kebenaran, bukan terhadap sampler lain.
NUTS adalah yang tercepat, dua hingga empat kali lebih cepat pada masalah yang mulus, tetapi gagal total pada masalah multimodal, dan diagnosisnya menunjukkan hal itu dengan jelas. emcee baik-baik saja pada masalah yang mudah, tetapi memberikan jawaban yang keliru dengan penuh keyakinan pada masalah multimodal, tanpa peringatan apa pun dalam keluaran defaultnya. dynesty adalah satu-satunya sampler yang menemukan semua modus dan menghasilkan evidence yang benar, meskipun batas galat evidence-nya terlalu optimistis.
Tiga masalah uji semakin sulit secara bertahap. Yang pertama adalah kontrol: mencocokkan Ωm dan H0 dalam ΛCDM datar terhadap 40 supernova Tipe Ia simulasi, yang menghasilkan posterior berbentuk kira-kira elips. Yang kedua adalah punggungan melengkung dan tipis, dengan mencocokkan Ωm dan persamaan keadaan energi gelap dengan H0 tetap. Yang ketiga adalah masalah multimodal: menemukan frekuensi sinusoida yang diamati selama 40 malam dalam 80 hari, yang menghasilkan beberapa puncak yang terpisah.
Entitas kunci: Perusahaan: Towards Data Science | Orang: Arvi Z.
Sumber: Towards Data Science · Diringkas oleh HeadlinesBriefing