机器学习_参数估计(已知解析式求参数)
来源:互联网 发布:未来的中国是一个正知 编辑:程序博客网 时间:2024/06/07 11:56
【1】必要性:已知概率密度函数形式,用样本来估计参数。
【2】最大似然估计:
1.理论:现在已经拿到了很多个样本,那么我们要找一个参数,使这些样本发生的可能性最大。这些样本已经产生了,所以找到的这个参数应当最有利于这些样本的产生。
2.似然函数:实质就是概率函数,含有参数而样本点已经带入的函数。详情见下面。
http://blog.csdn.net/m0_38034312/article/details/78396551
3.特殊的一点
在正态分布中,均值/方差的最大似然估计是训练样本的均值/方差。
多变量正态分布亦然
4.随着样本点足够多,最大似然估计是渐进无偏的。注意渐进两个字。
而且无偏的意思并不是说他的估计恰好会和真实值一样,是说把参数当做分布,这个分布的均值和真实参数是一样的
所以偏差只是一个验证估计方法是否好的一个指标,这个方法在运行多次后的期望会使准确值。
但是高斯分布下,u未知的情况下对方差的估计是有偏差的。这是因为用到了均值的估计,可能会有偏差,
5.因为在均值未知的情况下,高斯分布的方差估计会有偏差。上面是感性的解释、下面是理性的解释
【3】最大后验概率估计
1.与最大似然估计中把参数当做未知参数不同,最大后验概率把参数当做未知矢量。
两者公式上的差异在于最大后验概率估计中有p(θ),见下图
2.理论 p(参数|X)。理解:已知样本X下那个参数发生的概率越高,就把这个参数当做估计值。
【4】贝叶斯推理
【5】最大熵推理
1.挑选出不确定性最大、最具有信息量的概率密度函数
2.公式
- 机器学习_参数估计(已知解析式求参数)
- 机器学习_非参数估计
- 机器学习中的参数估计
- 机器学习中的参数估计
- 机器学习练习记录(3):HMM中,如果已知观察序列和产生观察序列的状态序列,如何直接进行参数估计?
- 机器学习中的参数估计方法
- 机器学习中三类参数估计的方法
- 机器学习中的数理统计与参数估计
- 机器学习 - GMM参数估计的EM算法
- 机器学习基础02-数理统计与参数估计
- 数理统计与参数估计-七月算法(julyedu.com)4 月机器学习算法班学习笔记
- 机器学习笔记(六)——朴素贝叶斯法的参数估计
- 七月算法机器学习笔记2 数理统计与参数估计
- 机器学习笔记(十八)——HMM的参数估计
- 机器学习 - 高斯混合模型参数估计的EM算法
- 七月机器学习之数理统计与参数估计2
- 机器学中的参数估计
- 学习_机器学习
- EditView 使其开始不获得焦点
- Consecutive Factors (20)
- html5中的canvas属性一些简单例子
- charles 抓包外网程序
- 【训练】2017-11-6早
- 机器学习_参数估计(已知解析式求参数)
- IOS safari 浏览器 时间乱码(ios时间显示NaN) 问题解决
- RPC原理
- MySql 安装
- Android Framework下手机状态栏一体化和一体化后颜色存在的问题
- 2017 ACM-ICPC 青岛站 总结
- Linux的缓存机制及不同类型缓存的操作方法
- 表格的高度或者宽带无法调整
- 收集的一些知识点