最大似然函数,琴生不等式
1.最大似然函数定义
Y={y1,y2,…yn}
p(y1,y2,…yn)=p(y1)p(y2)…p(yn)
即y1,y2,…yn为独立同分布
似然函数:
likelihood=∏j=1Np(yi)\prod_{j=1}^{N}p(y_i)∏j=1Np(yi)
Lδ=∏j=1Npδ(yi)L_\delta=\prod_{j=1}^{N}p_\delta(y_i)Lδ=∏j=1Npδ(yi)
Lδ=∏pδ(yj)=∏j=1N∑zpδ(yj∣z)pδ(z)L_\delta=\prod p_{\delta}(y_j)=\prod_{j=1}^{N}\sum_zp_{\delta}(y_j|z)p_{\delta}(z)Lδ=∏pδ(yj)=∏j=1N∑zpδ(yj∣z)pδ(z)
lnL=∑j=1Nln∑zpδ(yi∣z)pδ(z)lnL=\sum_{j=1}^{N}ln\sum_zp_{\delta}(y_i|z)p_{\delta}(z)lnL=∑j=1Nln∑zpδ(yi∣z)pδ(z)
对数中有加和项时难以求到解析解,只能求得近似最优解。
2.琴生不等式
凹函数:
f(12(x1+x2))≥12(f(x1)+f(x2))f(\frac{1}{2}(x_1+x_2))\geq \frac{1}{2}(f(x_1)+f(x_2))f(21(x1+x2))≥21(f(x1)+f(x2))
f(∑wixi)≥wif(xi)f(\sum w_ix_i)\geq w_if(x_i)f(∑wixi)≥wif(xi)
f(Ex)≥E(f(x))f(Ex)\geq E(f(x))f(Ex)≥E(f(x))
凸函数:
f(12(x1+x2))≤12(f(x1)+f(x2))f(\frac{1}{2}(x_1+x_2))\leq \frac{1}{2}(f(x_1)+f(x_2))f(21(x1+x2))≤21(f(x1)+f(x2))
KaTeX parse error: Expected 'EOF', got '\l' at position 15: f(\sum w_ix_i)\̲l̲ ̲eq w_if(x_i)
f(Ex)≤E(f(x))f(Ex)\leq E(f(x))f(Ex)≤E(f(x))
3.根据琴生不等式可以求解最大似然函数。
最大似然函数,琴生不等式相关推荐
- 琴生不等式一般形式_[学习笔记]常用不等式
1. 命题 左边等号成立当且仅当 ,右边等号成立当且仅当 . 2. 命题 等号成立当且仅当 . 3.命题 两边等号成立均当且仅当 . 4.命题 两边等号成立均当且仅当 . 推论 5. 命题 6. 不等 ...
- 琴生不等式(Jensen Inequality)
目录 不同表述形式 有限形式 测度与概率形式 在概率论中的广义形式 不等式证明 有限形式 测度和概率形式 概率论中的广义形式 不等式应用 在概率密度函数中的形式 随机变量的偶次矩 其他有限形式 统计物 ...
- 【数学】凸函数与詹森不等式(琴生不等式)解析
[数学]凸函数与詹森不等式(琴生不等式) 文章目录 [数学]凸函数与詹森不等式(琴生不等式) 1 凸函数和凹函数 2 琴生不等式(詹森不等式) 1 凸函数和凹函数 下凸函数(凸函数),从几何意义上看, ...
- 琴生不等式一般形式_001.二次函数、方程和不等式知识点
学法指导:本专题讲授不等式内容,这部分内容是学生的难点,为此有几点说明: 1.把握好学习的难度.按教材内不等式部分展现的内容看,它很简单,但学过的知道,这部分内容很难,直白的讲,它要多难就有多难,当然 ...
- Jensen不等式(琴生不等式)
每次用的时候都得查,所以索性之际记录一下 注意凸函数的定义,上凸.下凸.凹.凸的含义是不同的 1.定义 Jensen不等式,又名琴森不等式或詹森不等式(均为音译).它是一个在描述积分的凸函数值和凸函数 ...
- 不等号属于不等式吗_什么是不等式
不等式() 用不等号将2个剖析式连结起來所成的式子.比如2x+2y≥2xy,sinx≤1,ex> 0 ,2x<3等 . 依据剖析式的归类也可对不等式归类,不等号两侧的剖析式都是代数式的不等 ...
- 【考研数学】一文搞定不等式
1.不等式的基本性质 2.几个重要不等式 基本不等式是解决函数值域.最值.不等式证明.参数范围问题的有效工具,在高考中经常考查,有时也会对其单独考查.题目难度为中等偏上.应用时,要注意"拆. ...
- EM算法讲推导原理讲的懂了的,表达清晰易懂的, 收藏cnblog上的大牛的
博客1长于理论推导 https://zhuanlan.zhihu.com/p/149810914 EM算法的十重境界 https://www.zhihu.com/question/40797593/a ...
- 西瓜书——EM算法(一)
1. EM算法的引入 1.1 为什么需要EM算法 概率模型有时既含有观测变量,又含有隐变量或者潜在变量.如果概率模型的变量都是观测变量,那么给定数据,可以直接用极大似然估计法,或者贝叶斯估计法估计模型 ...
- 统计学习方法9—EM算法
EM算法是一种迭代算法,是一种用于计算包含隐变量概率模型的最大似然估计方法,或极大后验概率.EM即expectation maximization,期望最大化算法. 1. 极大似然估计 在概率 ...
最新文章
- python 转 exe -- py2exe库实录
- TCP/IP的基本介绍
- 【PAT乙级】1028 人口普查 (20 分)
- MCU VR班會(06)記錄
- SOCKET,TCP/UDP,HTTP,FTP
- HTML选择器属于jq的选择器吗,JQuery 选择器
- hive 集成oracle,hive集成kerberos问题1
- tomcat启动分析(2)
- ASP.NET Core 网站发布到Linux服务器
- 华为徐直军:以持续创新加快数字化发展
- 功能暴强的页面验证js代码
- 强悍的 Linux —— grep 与 egrep
- janusgraph源码分析1-下载编译启动
- ev3 android,乐高®头脑风暴教育机器人EV3编程
- AHU-2017校赛现场赛 B 下一个幸运数
- 什么是前端,前端是什么?
- 「ROS Kinetic」发布速度消息cmd_vel
- Android 辅助服务实战-游戏点击器
- FFmpeg源码分析:AVIOContext、IO模型与协议
- CSS和CSS3选择器
热门文章
- 常德市六中2021年高考成绩查询,铆足“牛劲”,奋蹄新征程! ——常德市六中2021届高三教师牛年备战新高考...
- 【ajax】7.请求:请求超时与网络异常处理+取消请求+请求重复发送问题
- 人人都用的WiFi被曝重大漏洞
- web期末大作业:基于html+css+js制作 学校班级网页制作
- 饥荒中的聊天表情(Emoticons In Don‘t Starve Together)
- 2022暑期牛客多校训练第5场 A.Don‘t Starve
- 2017.03.24回顾 归一化 标准化 R2 date_format 共线性 系数检验 决策树
- 详解Win10系统下打开.jks签名文件的方法
- 小程序轮播图 swiper当前滑块容器样式
- Android 启动过程介绍