最近我们被客户要求撰写关于MCMC的研究报告，包括一些图形和统计输出。Metropolis-Hastings 算法对概率分布进行采样以产生一组与原始分布成比例的轨迹。
首先，目标是什么？MCMC的目标是从某个概率分布中抽取样本，而不需要知道它在任何一点的确切概率。MCMC实现这一目标的方式是在该分布上 "徘徊"，使在每个地点花费的时间与分布的概率成正比。如果 "徘徊 "过程设置正确，你可以确保这种比例关系（花费的时间和分布的概率之间）得以实现
为了可视化算法的工作原理，我们在二维中实现它
视频：线性回归中的贝叶斯推断与R语言预测工人工资数据案例
贝叶斯推断线性回归与R语言预测工人工资数据
，时长09:58
plt.style.use('ggplot')
首先，让我们创建并绘制任意目标分布
tart = np.append
plt.histplt.text
现在让我们写出算法。请注意，我们将原始数据分箱计算给定点的概率。这是算法如何工作的粗略概念
选择分布上的一个随机位置提议分布上的一个新位置如果提议的位置比当前的位置有更高的相对概率，就跳到这个位置（即把当前位置设置为新位置）如果不是，也许还是跳。仍然跳的概率与新位置的概率低多少成正比返回算法所到过的所有位置
def gees:daa = d.astypenp.bincount # 产生一个范围为(i,i+1)的计数数组np.array([])crnt = intfor i in xrange(n_ms):trs = np.append# 最终创建一个函数，选择一个好的跳跃距离# 如果当前位置的p很低，就把跳转的距离变大poo = int# 确保我们不离开边界while rood data.max or ppsd < data.min:pood = intif a > 1:cuent = prosedelse:if np.random.random<= a:curnt = ppse
traces = get_traces(target, 5000)
# 绘制目标分布图和轨迹分布图plt.histplt.subplot(2,1,2)plt.histplt.tight_layoutplt.show
不仅轨迹的分布非常接近实际分布，样本均值也非常接近。绘制的样本点少于 5000 个，我们非常接近于近似目标分布的形状。
