最大似然估计和最大后验概率估计
来源:互联网 发布:罗志祥潮牌 知乎 编辑:程序博客网 时间:2024/05/21 09:06
最大似然估计
似然函数
似然函数是一种关于统计模型中参数的函数,表示模型参数中的似然性。
给定观测量x时,关于参数θ的似然函数L(θ)(在数值上)等于给定参数θ后变量x的概率:
最大似然估计
给定一组观测量
为了估计
为最大化似然函数,我们需要对它进行求导,为使得求导方便,一般对目标取log。所以最后求解的问题变成了
一个例子
- 在一个50人左右的班级门口走动,发现从门口出来了10个人,其中3个男生,7个女生。估算从从门口出来的人是男生的概率?
使用最大似然的方法进行估计。假设走出来的人是男生的概率为
它的log-likelihood为
对它求导得到
带入x=3,得到
即从教室出来的人是男生的概率为0.3。
这个概率也可以(在不考虑其他条件的情况下)理解为男生占班上人数的大概30%。
最大后验估计
条件概率公式
条件概率是指事件A在另外一个事件B已经发生条件下的发生概率。条件概率表示为:P(A|B),读作“在B条件下A的概率”。
- 解释:联合概率分布除以独立分布得到边缘分布
全概率公式
设B1,B2,…Bn是一组事件,若
它们两两互斥
B1∪B2∪…∪Bn=Ω
则称B1,B2,…Bn样本空间Ω的一个划分,或称为样本空间Ω 的一个完备事件组。
设事件组
称为全概率公式
- 解释:某事件的概率分布可以通过划分成不同条件下的概率分布,再进行累加求解。
贝叶斯公式
由条件概率公式我们可以得到
进而有
- 解释:设B为待估计量。A为观测量。知道B的先验P(B),和B的似然L(B)=P(A|B)。我们可以求解出B的后验概率P(B|A),也即在当前的观测A下B出现的概率。
设B1,B2,…Bn…是一完备事件组,则对任一事件A,P(A)>0,有
- 解释:上面的推广
贝叶斯估计
贝叶斯估计将待估计参数看作随机变量。假设观测量为x={
由此我们可以得出参数的后验分布,即在当前观测量的情况下得到的参数的概率分布。
最大后验概率估计
上式中的分母在实际情况中往往很难计算,因此我们一般不计算出完整的参数的概率分布。这样我们就得到了参数的后验概率
就得到了参数的最大后验估计。可以看到,最大后验估计与最大似然估计只相差一个先验概率。
一个例子
使用和前面相同的一个例子。
这个例子中的先验是什么?
考虑
可以假设
于是
(当然更好的思路是直接假设
由此得到后验概率
其中x为10个人中男生的数量。
为了最大化后验概率,我们对它的对数函数求导,其中
令后验概率对数函数的导数为零,我们求解得到
其中
带入数据我们得到
- 最大似然估计和最大后验概率估计
- 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
- 最大似然估计和最大后验概率
- 极大似然估计 最大后验概率估计
- 最大似然估计(MLE)和最大后验概率估计(MAP)
- 最大似然估计和最大后验概率估计的区别
- 通俗理解最大似然估计,最大后验概率估计,贝叶斯估计
- 最大似然估计和最大后验估计
- 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
- 最大似然估计与最大后验概率
- 先验概率、最大似然估计、贝叶斯估计、最大后验概率
- 先验概率、最大似然估计、贝叶斯估计、最大后验概率
- 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
- 先验概率、后验概率与最大似然估计
- 先验概率、后验概率、最大似然估计
- 不动点迭代法 一元非线性方程求根 C语言实现
- 面向对象
- JavaScript数组使用大全
- 月份天数的输入
- Sqli-labs2-5单引号变形,双引号,双注入
- 最大似然估计和最大后验概率估计
- 下标序列与斜率优化
- 1138. Postorder Traversal (25)(前序中序,求后序)
- Ada的另一个身份--计算机语言
- 求两个正整数的最大公约数
- Nginx之——日志按日期分割的实现(基于CentOS操作系统)
- [POJ](3255)Roadblocks---- 最(次)短路径(邻接表+dijkstra优先队列优化)
- 简单的介绍一下python
- python基础学习(5)—数据结构