zoukankan      html  css  js  c++  java
  • 极大似然估计

    极大似然估计详解

    版权声明:本文为博主原创文章https://极大似然估计

    �0�2 �0�2 �0�2 �0�2 以前多次接触过极大似然估计最近在看贝叶斯分类总结如下:

    贝叶斯决策

    �0�2 �0�2 �0�2 �0�2 首先来看贝叶斯分类

     

    �0�2 �0�2 �0�2 �0�2 其中:p(w):为先验概率表示在某种类别前提下表示某事发生了有了这个后验概率说明某事物属于这个类别的可能性越大�0�2 �0�2 �0�2 �0�2 我们来看一个直观的例子:已知:在夏季女性穿凉鞋的概率为2/3问题:若你在公园中随机遇到一个穿凉鞋的人�0�2 �0�2 �0�2 �0�2 从问题看某事发生了�0�2 �0�2 �0�2 �0�2 设:

    �0�2 �0�2 �0�2 �0�2 由已知可得:

    �0�2 �0�2 �0�2 �0�2 男性和女性穿凉鞋相互独立(若只考虑分类问题的取值并不重要)。

    �0�2 �0�2 �0�2 �0�2 由贝叶斯公式算出:

     

     

     

    问题引出

    �0�2 �0�2 �0�2 �0�2 但是在实际问题中并不都是这样幸运的而先验概率和类条件概率(各类的总体分布)都是未知的。根据仅有的样本数据进行分类时然后再套用贝叶斯分类器。

    �0�2 �0�2 �0�2 �0�2 先验概率的估计较简单�0�2 �0�2 �0�2 �0�2 类条件概率的估计(非常难)把估计完全未知的概率密度转化为估计参数。这里就将概率密度估计问题转化为参数估计问题概率密度函数的选取很重要在样本区域无穷时如果模型都错了肯定也没啥意义了。

     

    重要前提

    �0�2 �0�2 �0�2 �0�2 上面说到�0�2 �0�2 �0�2 �0�2�0�2重要前提:训练样本的分布能代表样本的真实分布。每个样本集中的样本都是所谓独立同分布的随机变量 (iid条件)

     

    极大似然估计

    �0�2 �0�2 �0�2 �0�2 极大似然估计的原理如下图所示:


     

    �0�2 �0�2 �0�2 �0�2 总结起来反推最有可能(最大概率)导致这样结果的参数值。

    �0�2 �0�2 �0�2 �0�2 原理:极大似然估计是建立在极大似然原理的基础上的一个统计方法即:“模型已定观察其结果则称为极大似然估计。

    �0�2 �0�2 �0�2 �0�2 由于样本集中的样本都是独立同分布来估计参数向量θ。记已知的样本集为:


     

    �0�2 �0�2 �0�2 �0�2 似然函数(linkehood function):联合概率密度函数称为相对于的θ的似然函数。


     

    �0�2 �0�2 �0�2 �0�2 如果是参数空间中能使似然函数最大的θ值那么就是θ的极大似然估计量。它是样本集的函数

     

    求解极大似然函数

    �0�2 �0�2 �0�2 �0�2 ML估计:求使得出现该组样本的概率最大的θ值。


     

    �0�2�0�2�0�2�0�2�0�2�0�2�0�2�0�2 实际中为了便于分析

    �0�2 �0�2 �0�2 �0�2 1. 未知参数只有一个(θ为标量)

    �0�2 �0�2 �0�2 �0�2 在似然函数满足连续、可微的正则条件下

    �0�2 �0�2 �0�2 �0�2 2.未知参数有多个(θ为向量)

    �0�2 �0�2 �0�2 �0�2 则θ可表示为具有S个分量的未知向量:


     

    �0�2�0�2�0�2�0�2�0�2�0�2�0�2�0�2 记梯度算子:


     

    �0�2�0�2�0�2�0�2�0�2�0�2�0�2�0�2 若似然函数满足连续可导的条件

     

    �0�2�0�2�0�2�0�2�0�2�0�2�0�2�0�2 方程的解只是一个估计值它才会接近于真实值。

     

    极大似然估计的例子

    �0�2 �0�2 �0�2 �0�2 例1:设样本服从正态分布

     

    �0�2 �0�2 �0�2 �0�2 它的对数:


     

    �0�2 �0�2 �0�2 �0�2 求导

     

    �0�2 �0�2 �0�2 �0�2 联合解得:


     

    �0�2 �0�2 �0�2 �0�2 似然方程有唯一解这是因为当。于是U的极大似然估计为

     

    �0�2 �0�2 �0�2 �0�2 例2:设样本服从均匀分布[a

     

    �0�2 �0�2 �0�2 �0�2 对样本


     

    �0�2 �0�2 �0�2 �0�2 很显然,b)作为a和b的二元函数是不连续的求L(a为使L(ab-a应该尽可能地小否则,b)=0。类似地a不能大过a和b的极大似然估计:


     

     

     

    总结

    �0�2 �0�2 �0�2 �0�2 求最大似然估计量的一般步骤:

    �0�2 �0�2 �0�2 �0�2 (1)写出似然函数;

    �0�2 �0�2 �0�2 �0�2 (2)对似然函数取对数�0�2 �0�2 �0�2 �0�2 (3)求导数;

    �0�2 �0�2 �0�2 �0�2 (4)解似然方程。

    �0�2 �0�2 �0�2 �0�2 最大似然估计的特点:

    �0�2 �0�2 �0�2 �0�2 1.比其他估计方法更加简单;

    �0�2 �0�2 �0�2 �0�2 2.收敛性:无偏或者渐近无偏收敛性质会更好;

    �0�2 �0�2 �0�2 �0�2 3.如果假设的类条件概率模型正确将导致非常差的估计结果。

  • 相关阅读:
    浪潮之巅阅读笔记
    人月神话阅读笔记3
    学习报告
    人月神话阅读笔记2
    学习报告
    第十一周学习总结
    软件杯项目——手写体识别
    第十周学习进度
    第九周学习进度
    《软件架构师的12项修炼》阅读笔记
  • 原文地址:https://www.cnblogs.com/noahzhixiao/p/10164080.html
Copyright © 2011-2022 走看看