Gibbs 抽样（Gibbs Sampling）是一种从高维概率分布中抽取样本的方法，它主要用于统计物理和机器学习领域。这种方法基于马尔可夫链蒙特卡洛（Markov Chain Monte Carlo，MCMC）方法，可以用来估计复杂概率分布的统计特性。
具体来说，Gibbs 抽样是一种从概率分布中抽取样本的算法，其基本思想是：
1. 初始化：从一个概率分布中随机选择一个起始点作为样本。
2. 迭代更新：对于每个样本，根据当前样本和其它样本之间的关系，更新当前样本的值。这个过程称为“抽样”。
Gibbs 抽样在以下场景中非常有用：
当目标概率分布非常复杂，难以直接采样时。
当样本之间存在强相关性时。
当需要估计概率分布的统计特性时，如均值、方差等。
Gibbs 抽样并不保证在有限次迭代后立即收敛到目标分布，而是需要通过足够多的迭代次数来保证样本的代表性。Gibbs 抽样也要求目标概率分布是可逆的，即可以通过目标分布计算得到其它样本的值。
