1、频率学派和贝叶斯派

频率学派认为参数是固定而未知的,关心似然函数。

贝叶斯派认为参数是随机的有分布的,关心后验分布。

2、MLE、MAP公式

3、参数估计-MLE

4、参数估计-MAP

MAP与MLE最大的不同在于p(参数)项,MAP将先验知识加入,优化损失函数。

5、MLE、MAP、Bayesian统一理解

ML(最大似然估计):给定一个模型的参数,然后试着最大化p(D|参数)。即给定参数的情况下,看到样本集的概率。目标是找到使前面概率最大的参数。逻辑回归都是基于ML做的。MLE不把先验知识加入模型中。

MAP(最大后验估计):最大化p(参数|D)。

Bayesian:考虑了所有可能的参数,即所有的参数空间(参数的分布)。

MLE和MAP的目标都是一样的:找到一个最优解,然后用最优解做预测。贝叶斯模型会给出对参数的一个分布,比如对模型的参数, 假定参数空间里有参数1、参数2、 参数3、...、参数N,贝叶斯模型学出来的就是这些参数的重要性(也就是分布),然后当我们对新的样本预测的时候,就会让所有的模型一起去预测,但每个模型会有自己的权重(权重就是学出来的分布)。最终的决策由所有的估计根据其权重做出决策。

5、从统计学角度理解机器学习,不无三要素:特征工程、目标函数、模型学习,机器学习的本质是用计算机统计地估计复杂函数。

定义假设空间(Model assumption):如线性分类,线性回归,逻辑回归,SVM,深度学习网络等。

定义损失函数(目标函数)并优化求解(如:梯度下降,牛顿法等)。

不同的模型使用不同的算法,如逻辑回归通常用梯度下降法解决,神经网络用反向推导解决,贝叶斯模型则用MCMC来解决。

机器学习 = 模型 + 优化(不同算法)

参考:

https://www.cnblogs.com/shixisheng/p/7136890.html

http://www.cnblogs.com/little-YTMM/p/5399532.html

最大似然估计MLE和最大后验估计MAP理解相关推荐

  1. 透彻理解机器学习中极大似然估计MLE的原理(附3D可视化代码)

    文章目录 相关资料 一.什么是概率,什么是似然 二.极大似然估计 Maximum Likelihood Estimation (MLE) 的含义 2.1 机器学习中的极大化似然函数 2.2 极大似然估 ...

  2. 参数估计:最大似然估计MLE

    http://blog.csdn.net/pipisorry/article/details/51461997 最大似然估计MLE 顾名思义,当然是要找到一个参数,使得L最大,为什么要使得它最大呢,因 ...

  3. 最大似然估计MLE与贝叶斯估计

    项目github地址:bitcarmanlee easy-algorithm-interview-and-practice 欢迎大家star,留言,一起学习进步 大学期间学习数理统计这门课程的时候,没 ...

  4. 简单理解极大似然估计MLE

    简单理解极大似然估计(MLE) 基本思想 使数据集中数据出现的概率(似然)最大 举例描述 假设某一个新闻文档数据集下有体育.财经.游戏等分类,已知体育类下的所有文档中"篮球"一词出 ...

  5. 最大似然估计,最大后验估计,贝叶斯估计联系与区别

    项目github地址:bitcarmanlee easy-algorithm-interview-and-practice 欢迎大家star,留言,一起学习进步 1.什么是参数 在机器学习中,我们经常 ...

  6. 机器学习-白板推导系列(一)-绪论(机器学习的MLE(最大似然估计)和MAP(最大后验估计))

    频率学派 - Frequentist - Maximum Likelihood Estimation (MLE,最大似然估计) 贝叶斯学派 - Bayesian - Maximum A Posteri ...

  7. Python实现极大似然估计

    概念 现实中任何随机变量的概率分布函数都是未知的. 如果假定随机变量服从某种分布(如正态分布),可以通过统计手段来计算该分布的参数,这种方法称为参数估计. 极大似然估计(Maximum Likelih ...

  8. 机器学习基础——先验概率、后验概率和似然估计的讲解;频率派和贝叶斯派之分;以及MLE和MAP方法的解析

    1.先验概率 假定 B 1 , B 2 , - , B n B_1,B_2,\ldots ,B_n B1​,B2​,-,Bn​是某个过程所有可能的前提条件,也就是 B 1 , B 2 , - , B ...

  9. 一文看懂 “极大似然估计” 与 “最大后验估计” —— 极大似然估计篇

    参考: 唐宇迪<人工智能数学基础>第8章 Richard O. Duda <模式分类>第三章 白板机器学习 P2 - 频率派 vs 贝叶斯派 频率学派还是贝叶斯学派?聊一聊机器 ...

最新文章

  1. android 之四大组件的Activity详解
  2. 复制公钥到多个服务器脚本
  3. Android 4.4 Kitkat 使能有线网络 Ethernet
  4. 我们用5分钟写了一个跨多端项目
  5. junit junit_使用junit做其他事情
  6. python核心编程第六章练习6-12
  7. 每日一题(16)—— 声明和定义的区别
  8. java菱形乱码 编码_【分享】Java开发过程中中文乱码问题总结
  9. 【Flink】Flink Distributed Cache 分布式缓存
  10. Android 9.0 Framwork Wifi源码学习目录
  11. windows7环境下 硬盘安装ubuntu 12.04 server版
  12. dellr710服务器添加硬盘步骤,DELL R710服务器在线扩硬盘
  13. PIAO网址PIAO
  14. 10公斤无人机动力测试台测试-拉力、扭矩、转速
  15. wondows10使用vcpkg编译colmap的教程(带suitesparse)
  16. VM14+CentOS7安装教程
  17. Android--- 筛选框需求(1)房产类APP条件筛选框,包含区域(单选,多选),竖着排列(单选,多选),横向排列(单选,多选)
  18. [下载] MultiBeast 6.2.1版,支持10.9 Mavericks。Mac上的驱动精灵,最简单安装驱动的方式。...
  19. 大数据-常用压缩方式总结
  20. 文件上传——无验证(ctfhub 文件上传-无限制)

热门文章

  1. office上下滑动滚轮特别卡_滚轮及部件|自动扶梯和自动人行道
  2. 很详细的Nginx配置说明
  3. 1.10a – 如何设计你的第一个程序
  4. 数据分析处理库Pandas——merge操作
  5. 2018牛客暑假多校三 E(KMP运用)
  6. (转) Docker EE/Docker CE简介与版本规划
  7. 健康研究总结摘录专题
  8. 前端面试题整理(js)
  9. JAVA中Map集合的使用举例
  10. Eclipse IDE for Java EE Developers 与Eclipse Classic 区别