深入浅出最大似然估计(Maximum Likelihood Estimation)
来源:互联网 发布:不使用第三个变量 php 编辑:程序博客网 时间:2024/06/06 00:59
最大似然估计是利用已知的样本的结果,在使用某个模型的基础上,反推最有可能导致这样结果的模型参数值。
例子1:抽球
举个通俗的例子:假设一个袋子装有白球与红球,比例未知,现在抽取10次(每次抽完都放回,保证事件独立性),假设抽到了7次白球和3次红球,在此数据样本条件下,可以采用最大似然估计法求解袋子中白球的比例(最大似然估计是一种“模型已定,参数未知”的方法)。当然,这种数据情况下很明显,白球的比例是70%,但如何通过理论的方法得到这个答案呢?一些复杂的条件下,是很难通过直观的方式获得答案的,这时候理论分析就尤为重要了,这也是学者们为何要提出最大似然估计的原因。我们可以定义从袋子中抽取白球和红球的概率如下:
其中theta是未知的,因此,我们定义似然L为:
两边取ln,取ln是为了将右边的乘号变为加号,方便求导。
最大似然估计的过程,就是找一个合适的theta,使得平均对数似然的值为最大。因此,可以得到以下公式:
这里讨论的是2次采样的情况,当然也可以拓展到多次采样的情况:
我们定义M为模型(也就是之前公式中的f),表示抽到白球的概率为theta,而抽到红球的概率为(1-theta),因此10次抽取抽到白球7次的概率可以表示为:
将其描述为平均似然可得:
那么最大似然就是找到一个合适的theta,获得最大的平均似然。因此我们可以对平均似然的公式对theta求导,并另导数为0。
由此可得,当抽取白球的概率为0.7时,最可能产生10次抽取抽到白球7次的事件。
例子2:正态分布
假如有一组采样值(x1,...,xn),我们知道其服从正态分布,且标准差已知。当这个正态分布的期望为多少时,产生这个采样数据的概率为最大?
这个例子中正态分布就是模型M,而期望就是前文提到的theta。
综上所述,可得求解最大似然估计的一般过程为:
1. 写出似然函数;
2. 如果无法直接求导的话,对似然函数取对数;
3. 求导数 ;
4. 求解模型中参数的最优值。
作者:Dawnli
链接:http://www.jianshu.com/p/f1d3906e4a3e
來源:简书
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。
- 深入浅出最大似然估计(Maximum Likelihood Estimation)
- 深入浅出最大似然估计(Maximum Likelihood Estimation)
- 最大似然估计(Maximum likelihood estimation)
- 最大似然估计(Maximum likelihood estimation)
- 最大似然估计(Maximum likelihood estimation)
- 最大似然估计(Maximum likelihood estimation)
- 最大似然估计(Maximum likelihood estimation)
- 最大似然估计(Maximum likelihood estimation)
- 最大似然估计(Maximum likelihood estimation)
- 最大似然估计(Maximum likelihood estimation)
- 最大似然估计Maximum Likelihood Estimation
- 最大似然估计(Maximum likelihood estimation)
- 最大似然估计(Maximum likelihood estimation)
- 最大似然估计(Maximum likelihood estimation)
- 最大似然估计(Maximum likelihood estimation)
- 最大似然估计(Maximum likelihood estimation)
- 最大似然估计(maximum likelihood estimation)
- 最大似然估计(Maximum likelihood estimation)
- 4-3 求序列和
- Netty入门
- SLF4J源码解析-LoggerFactory(二)
- Spring事务机制
- APUE统计目录各类文件个数(c++版)
- 深入浅出最大似然估计(Maximum Likelihood Estimation)
- Spring Boot中使用Spring-data-jpa
- java每日一练
- hibernate与mybatis的对比
- 线程基础:多任务处理——Fork/Join框架(要点2)
- C++数组形参的问题
- Python 08 面向对象的基本概念
- 1204:括号配对问题
- 【网络流24题】孤岛营救问题(分层图+BFS)