在最近的一篇文章中，我描述了一个Metropolis-in-Gibbs采样器，用于估计贝叶斯逻辑回归模型的参数。
这篇文章就此问题进行了研究，以展示Rcpp如何帮助克服这一瓶颈。TLDR：只需用C ++编写log-posterior而不是矢量化R函数，我们就可以大大减少运行时间。
我模拟了与上一篇文章类似的模型中的数据：
need-to-insert-img
对于这个分析，我编写了两个Metropolis-Hastings（MH）采样器：sample_mh（）和sample_mh_cpp（）。前者使用对数后验编码作为向量化R函数。后者使用C ++（log_post.cpp）中的log-posterior编码，并使用Rcpp编译成R函数。Armadillo库对C ++中的矩阵和向量类很有用。
因此，在每次迭代中，提出了系数向量。 下面用红线表示链，表示生成数据的参数值。
need-to-insert-img
似乎趋同。平均接受概率在采样运行中收敛到约20％。
那么Rcpp实现与R实现相比如何呢？Rcpp的运行时间明显较低。当log-posterior被编码为矢量化R函数时，采样器相对于Rcpp实现运行速度大约慢7倍（样本大小为100）。下图显示了样本大小为100到5000的相对运行时间，增量为500。
need-to-insert-img
直观地说，C ++带来了一些效率增益。但很明显，Rcpp是解决代码瓶颈的好方法。
网友评论