Algorithm 溪流水库取样证明
我非常熟悉水库采样算法,我在想,如果给出了总大小Algorithm 溪流水库取样证明,algorithm,random,reservoir-sampling,Algorithm,Random,Reservoir Sampling,我非常熟悉水库采样算法,我在想,如果给出了总大小N,会怎么样。在这种情况下,我们能得到什么好处?因此,以下是算法: Let n be the total size of data Let k be the total size of sample for each element from data if random(0,1) <= k/n put this element into sample -- k -- n done 设n为数据
N
,会怎么样。在这种情况下,我们能得到什么好处?因此,以下是算法:
Let n be the total size of data
Let k be the total size of sample
for each element from data
if random(0,1) <= k/n
put this element into sample
-- k
-- n
done
设n为数据的总大小
设k为样本的总大小
对于来自数据的每个元素
if random(0,1)如果您想要精确的K个样本:设K为所需样本,K为迄今为止获得的样本。设N为数据的总大小,N为迄今为止采样的集合。然后检查random(0,1),这里有一个正确性证明。假定流是1..n
,而不丧失一般性。我们归纳地证明,在{0..n}
循环中进行m次迭代后,样本分布为1..m
均匀随机k
-组合1..n
的交点
基本情况,m=0
,很简单:样本和交叉点总是空的。给定特定m
的归纳假设,我们现在证明它适用于m+1
。设S
为表示m
迭代后集合的随机变量,S'
为表示m+1
迭代后集合的随机变量。将和设置为交叉点。对于所有k
-组合T
,我们编写
Pr(S' = T & {1..m+1})
= Pr(S = T & {1..m}) Pr(S' = T & {1..m+1} | S = T & {1..m}),
因为S'=T&{1..m+1}
意味着S=T&{1..m}
。通过归纳假设和一些计算
(n choose k) Pr(S = T & {1..m})
= ((n - m) choose (k - |T & {1..m}|)).
结合这两个方程,我们得到
(n choose k) Pr(S' = T & {1..m+1})
= ((n - m) choose (k - |T & {1..m}|)) Pr(S' = T & {1..m+1} | S = T & {1..m}).
通过检查Dave的程序
Pr(m+1 in S' | S) = (k - |S|) / (n - m).
现在有两个案例。第一种情况是T中的m+1
Pr(S' = T & {1..m+1} | S = T & {1..m})
= Pr(m+1 in S' | S = T & {1..m})
= (k - |T & {1..m}|) / (n - m)
(n choose k) Pr(S' = T & {1..m+1})
= ((n - m) choose (k - |T & {1..m}|)) (k - |T & {1..m}|) / (n - m)
= (n - m - 1) choose (k - |T & {1..m}| - 1)
= (n - (m+1)) choose (k - |T & {1..m+1}|).
Pr(S' = T & {1..m+1} | S = T & {1..m})
= Pr(m+1 not in S' | S = T & {1..m})
= (n - m - (k - |T & {1..m}|)) / (n - m)
(n choose k) Pr(S' = T & {1..m+1})
= ((n - m) choose (k - |T & {1..m}|)) (n - m - (k - |T & {1..m}|)) / (n - m)
= (n - m - 1) choose (k - |T & {1..m}|)
= (n - (m+1)) choose (k - |T & {1..m+1}|).
第二种情况是m+1不在T
中
Pr(S' = T & {1..m+1} | S = T & {1..m})
= Pr(m+1 in S' | S = T & {1..m})
= (k - |T & {1..m}|) / (n - m)
(n choose k) Pr(S' = T & {1..m+1})
= ((n - m) choose (k - |T & {1..m}|)) (k - |T & {1..m}|) / (n - m)
= (n - m - 1) choose (k - |T & {1..m}| - 1)
= (n - (m+1)) choose (k - |T & {1..m+1}|).
Pr(S' = T & {1..m+1} | S = T & {1..m})
= Pr(m+1 not in S' | S = T & {1..m})
= (n - m - (k - |T & {1..m}|)) / (n - m)
(n choose k) Pr(S' = T & {1..m+1})
= ((n - m) choose (k - |T & {1..m}|)) (n - m - (k - |T & {1..m}|)) / (n - m)
= (n - m - 1) choose (k - |T & {1..m}|)
= (n - (m+1)) choose (k - |T & {1..m+1}|).
在这两种情况下,我们证明了Pr(S'=T&{1..m+1})
具有正确的值。这就是我上面给出的精确算法。但是如何证明该算法的正确性,即每个元素具有相同的概率?不,不是。你是以恒定概率取样。谢谢,这正是我想要的答案!