鲜花加盟网站建设,wordpress好用插件,wordpress 折叠内容,赣州有做网站推广的公司吗模式识别 —— 第二章 参数估计 文章目录模式识别 —— 第二章 参数估计最大似然估计#xff08;MLE#xff09;最大后验概率估计#xff08;MAP#xff09;贝叶斯估计最大似然估计#xff08;MLE#xff09;
在语言上#xff1a;
似然#xff08;likelihood#xf…模式识别 —— 第二章 参数估计 文章目录模式识别 —— 第二章 参数估计最大似然估计MLE最大后验概率估计MAP贝叶斯估计最大似然估计MLE
在语言上
似然likelihood和**概率probability**是同义词都指事件发生的可能性。
但是在统计中
概率是已知参数对结果可能性的预测。似然是已知结果对参数是某个值的可能性预测。
可见这两个过程正好是相反的。
因此最大似然估计是已知数据来求概率最大的参数。
以抛硬币为例假设我们有一枚硬币现在要估计其正面朝上的概率θ\thetaθ。我们进行了10次实验其中正面朝上的次数为6次反面朝上的次数为4次。
对一个独立同分布的样本集来说总体的似然就是每个样本似然的乘积。针对抛硬币的问题似然函数可写作 似然函数图如下
由于总体的似然就是每个样本似然的乘积为了求解方便我们通常会将似然函数转成对数似然函数然后再求解。可以转成对数似然函数的主要原因是对数函数并不影响函数的凹凸性。因此上式可变为 对该式子求导等于0即可解出当θ^0.6\hat{\theta} 0.6θ^0.6时是最优参数。
正态分布的最大似然估计
假设样本服从正态分布NNN~(μ,σ2)(\mu,\sigma^2)(μ,σ2)则其似然函数为
对其取对数得
分别对μ,σ2\mu , \sigma^2μ,σ2求偏导并令偏导数为0得
解得
最大似然估计的求解步骤\red{最大似然估计的求解步骤}最大似然估计的求解步骤
确定似然函数将似然函数转化为对数似然函数求对数似然函数的最大值求导解似然方程
最大后验概率估计MAP
最大似然估计认为使似然函数P(X∣θ)P(X\mid \theta)P(X∣θ)最大的θ\thetaθ就是最好的参数θ\thetaθ。此时最大似然估计是将θ\thetaθ看作固定的值只是其值未知。
最大后验概率认为θ\thetaθ是一个随机变量θ\thetaθ即具有某种概率分布称为先验分布求解时除了要考虑似然函数P(X∣θ)P(X\mid \theta)P(X∣θ)之外还要考虑θ\thetaθ的先验分布P(θ)P( \theta)P(θ)。其认为P(X∣θ)P(θ)P(X\mid \theta)P( \theta)P(X∣θ)P(θ)取最大时的θ\thetaθ才是最优参数。
由于XXX的先验分布P(X)P( X)P(X)是固定的所以其不影响对参数θ\thetaθ的判断。因此最大后验概率估计的公式表示为
在抛硬币的例子中通常认为当θ0.5\theta 0.5θ0.5时可能性最大。因此我们用均值为0.5方差为0.1的高斯分布来描述θ\thetaθ的先验概率分布。其表达式如下 先验分布的函数如图 因此先验与似然的乘积如下 为了方便求导我们将其转化为对数函数 让上式为0化简得
解得θ^≈0.529\hat{\theta} \approx 0.529θ^≈0.529
相比最大似然估计的θ^0.6\hat{\theta} 0.6θ^0.6可见在最大后验概率估计中θ\thetaθ的估计值与θ\thetaθ的先验分布有的很大的关系。
最大后验概率估计的求解步骤\red{最大后验概率估计的求解步骤}最大后验概率估计的求解步骤
确定参数的先验分布以及似然函数将其乘积转换为对数形式求对数函数的最大值求导解方程
贝叶斯估计
