通俗理解最大似然估计,最大后验概率估计,贝叶斯估计
来源:互联网 发布:用mac制作win7安装u盘 编辑:程序博客网 时间:2024/06/06 13:08
以下所有例子都是抛硬币问题,在两次试验中出现正,反两次结果,求该硬币出现正面的概率p,
最大似然估计:
假设分布为伯努利分布,也就是二项分布,出现正面的概率是p,则下次出现上述实验结果现象的概率是:L=P(1-p),如何才能让下次出现相同结过的概率最大?自然是L越大越好,则p=0.5,所以极大似然估计的核心思想是求参数为何值时才能使样本出现的概率最大。
最大后验概率估计:
我们知道,一般硬币不是假的话基本都是0.5的概率,所以出现正面p=0.5的概率非常高,这就是所谓的先验知识。下面继续分析,为了好理解,都用离散的来表示,假如p只能等于0.5,或者0.4,等于0.5的概率为0.9,等于0.4的概率为0.1(也就是说假钱的概率为0.1),那么再抛出一正一反的概率是多少?肯定是L=p(1-p)*g(p),其中g(p)代表p出现的概率,经过计算可以知道是p=0.5时L最大。
贝叶斯估计:(前两种都是假设参数是个确定值,但是贝叶斯假设参数是个随机数)
贝叶斯是对最大后验概率的补充,已知上一步的L(0.5)=0.225,L(0.4)=0.024,则L等于0.5的概率为0.225/(0.225+0.024=0.90361,出现0.4的概率为0.009638,可以发现根据样本得到的后验概率与之前先验概率是有区别的,也就是说,我们利用实验结果和经验来推不确定的事,所以贝叶斯估计的参数是个随机变量,如果非要给出一个值得话就是这个值得期望,在这里就是0.90361*0.5+0.009638*0.4。
以上是非常粗线条的思想,没有公式推导和理论,很多地方不严谨,但是核心思想就是这样。
- 通俗理解最大似然估计,最大后验概率估计,贝叶斯估计
- 最大似然估计,最大后验估计,贝叶斯估计
- 最大似然估计、最大后验估计、贝叶斯估计
- 最大似然估计和最大后验概率估计
- 极大似然估计,最大后验概率估计(MAP),贝叶斯估计
- 极大似然估计,最大后验概率估计(MAP),贝叶斯估计
- 极大似然估计 最大后验概率估计
- 先验概率、最大似然估计、贝叶斯估计、最大后验概率
- 先验概率、最大似然估计、贝叶斯估计、最大后验概率
- 详解最大似然估计(MLE)、最大后验概率估计(MAP),以及贝叶斯公式的理解
- 参数估计:最大似然估计、贝叶斯估计与最大后验估计
- 最大似然估计、最大后验估计和贝叶斯估计的关系
- 最大似然估计,最大后验估计和贝叶斯估计
- 机器学习->统计学基础->贝叶斯估计,最大似然估计(MLE),最大后验估计(MAP)
- 机器学习->统计学基础->贝叶斯估计,最大似然估计(MLE),最大后验估计(MAP)
- 最大似然估计、贝叶斯估计、最大后验估计理论对比
- 最大似然估计和最大后验概率
- 最大似然估计和最大后验概率
- mysql:sql alter table修改表的字符集
- eclipse查看jar包中class的中文注释乱码问题的解决
- Lua 循环
- 面试前需准备的知识(各种博客集中)
- 题目1154:Jungle Roads 九度OJ
- 通俗理解最大似然估计,最大后验概率估计,贝叶斯估计
- 旧博客没有手机号认证,不能用了,以后的博客更新改到本账号下
- D3DPRESENT_PARAMETERS 说明及 DirectX窗口模式和全屏模式的Device创建
- angular之scope详解
- vim使用 总结
- 读取xml文件
- jQuery基础知识一
- 以大数据眼光欣赏唐人文墨(一)
- 身份证验证java代码