Actualmente uso una secuencia de Halton para elegir conjuntos de parámetros para un modelo pronóstico (por ejemplo, usando la tasa metabólica y parámetros de contenido de proteína para predecir la tasa de crecimiento).
Según mi entendimiento, tanto una secuencia de Halton como un Hipercubo Latino se pueden utilizar para muestrear de manera uniforme el espacio de parámetros.
Estoy revisando un artículo donde el autor utiliza un hipercubo latino en el mismo contexto en el que estoy usando una secuencia de Halton.
¿Cómo están relacionados estos enfoques? ¿Existen condiciones bajo las cuales uno sería más apropiado?
0 votos
Ambos son "métodos de muestreo de discrepancia baja", pero los dos algoritmos se ven diferentes para mí... probablemente se necesitaría experimentación para ver cuál de los métodos LH y Halton (y otras secuencias como Sobol y Niederreiter) sería mejor para tu aplicación.
0 votos
Como dice J.M., depende. ¿Qué tipo de problema estás usando para resolverlos? ¿Integración numérica? ¿Optimización/búsqueda? Uno de los inconvenientes de Latin Hypercube es la incapacidad para realizar muestreo incremental. Si estás analizando el error en términos de la discrepancia de las muestras, tiene sentido elegir el método con la medida de discrepancia más baja (no estoy seguro de cuál es la discrepancia de Latin Hypercube, pero tengo la sensación de que Halton la supera).
0 votos
Otro inconveniente de ambas técnicas es que cada vez que desee examinar correlaciones de varios puntos, ambas técnicas no permiten que los puntos se agrupen tanto como lo haría una selección verdaderamente aleatoria. Creo que la secuencia de Halton lo hace mejor.
0 votos
@dls mi problema es que quiero minimizar el número de muestras necesarias para estimar una superficie de probabilidad multivariante.