gibbs sampling

吉布斯采样（Gibbs Sampling）是一种用于估计复杂概率分布的马尔可夫链蒙特卡洛（MCMC）方法。它通过在每次迭代中交替更新多个变量，从而避免了直接计算和采样目标分布的困难。吉布斯采样的基本思想是利用已知条件分布的采样结果来生成目标分布的样本。通过适当选择初始值和条件分布，吉布斯采样可以收敛到目标分布的稳定状态，从而提供了一种有效的采样方法。它在贝叶斯统计、机器学习和物理学等领域具有广泛的应用。