当前状态 x
拒绝：stay
脖子长 0.0
腿长 0.0
Demo 9：MCMCP 形状空间
你在这里扮演 Markov Chain Monte Carlo with People 的接受函数：系统从当前动物形状出发，随机游走提出一个候选形状；你只需二选一，判断哪一个更像目标类别。若你选择候选，链移动到候选；若你选择当前，链停留原地。
前 10 个点为 burn-in
颜色越红迭代越晚
隐藏效用只用于模拟/等高线
控制面板
σ 太小会慢慢爬；σ 太大则候选常常跳到“不像”的地方。
链操作
二选一：哪一个更像 长颈鹿？
点击左侧表示“拒绝候选、原地停留”；点击右侧表示“接受候选、移动到新状态”。每次点击只贡献约 1 bit 信息。
候选状态 x′
接受：move
脖子长 0.0
腿长 0.0
请点击更像目标类别的动物。系统会把你的选择当作 MH/Barker 接受步骤。
试次
0
建议课堂做 30–50 次
移动率
—
candidate 被选中比例
burn-in 后均值
—
丢弃前 10 点
当前坐标
—
(脖子, 腿)
链已初始化。先观察随机起点与候选，再作判断。
二维脖子–腿长空间中的 MCMCP 轨迹
横轴为脖子长度，纵轴为腿长，范围均为 [0,10]。浅色前 10 点是 burn-in；后续点逐渐逼近你心中的目标类别区域。
边缘直方图与摘要
直方图默认使用 burn-in 之后的样本；样本少于 10 时临时显示全部点。
观察提示
- Burn-in：前 5–10 个试次常常还受随机起点影响，图中已用浅色标出；课堂分析时可先丢弃。
- 每个试次只有 1 bit：二选一只能告诉算法“左/右哪个更像”，因此 30–50 次后轨迹才慢慢显出主观分布。
- 为什么引出 GSP：Gibbs Sampling with People 的滑块一次能给出更细粒度的数值反馈，比这里的二选一提供更多信息。