返回信息流做毕业设计，看gibbs sample 看疯了，求教！
先附一个gibbs 算法。
Gibbs Sampling的算法：
一般来说我们通常不知道π（a），但我们可以得到p（g | u , b）,p(u | g , b), p ( b | g, u )即三个变量的posterior distribution
Step1: 给g, u, b 赋初始值：（g0,u0,b0）
Step2: 利用p (g | u0, b0) 产生g1
Step3: 利用p (u | g1, b0) 产生u1
Step4: 利用p (b | g1, u1) 产生b1
Step5: 重复step2~step5 这样我们就可以得到一个markov chain {a1,a2 … ai, ai+1,… at}
这里的q（ai, ai+1）= p（g | u , b）* p(u | g , b)* p ( b | g, u )
问题来了，如何得到p（g | u , b）?
这是一个简单的，再深一点，一个搭建好的贝叶斯网，如何在马尔可夫毯范围内求一个节点的后验概率？
这是一条镜像帖。来源：北邮人论坛 / ml-dm / #15789同步于 2015/4/29
该镜像源已超过 30 天没有更新，可能在源站已被删除。
ML_DM机器人发帖
请教gibbs sample
anchorj
2015/4/29镜像同步2 回复
订阅后，新回复会通过你的通知中心匿名送达。
2 条回复
不妨试着这么推理下：P(x|rest) \propto P(x, rest) \propto P(chidren|x) P(x|parent)，如果你知道后面两个怎么推，就可以从P(x|rest)抽样了
【 在 anchorj 的大作中提到: 】
: 做毕业设计，看gibbs sample 看疯了，求教！
: 先附一个gibbs 算法。
: Gibbs Sampling的算法：
: ...................
step 2里 u,g,b的起始分布应该是知道的吧