在交叉熵方法中更新建议分布参数时，为什么精英样本要按似然比加权？

适用条件

• 精英样本是值高于迭代阈值 $\gamma_i$ 的样本。
• 似然比计算为原始密度除以建议密度。

理解与推导

1. 从当前批次中识别精英样本。
2. 为每个精英样本计算似然比。
3. 在计算新的建议分布参数时，使用这些比率作为权重。

例子

演讲者说，他们更新 v 参数以使其成为精英样本的最大似然估计，并且必须按似然比对样本进行加权。代码显示使用 `weights=eliteLRs` 对 `mu_i` 和 `sigma_i` 进行加权平均。

容易误解的地方

• 忘记对样本进行加权，将它们视为从原始分布中抽取的。
• 假设似然比是建议密度除以原始密度。

观看对应讲解

继续追问

• 交叉熵循环结束后，最终估计量是什么，其置信区间是如何计算的？
• 迭代阈值 $\gamma_i$ 是如何定义的，交叉熵循环何时停止？