最大后验估计(MAP)
最大后验估计(maximum a posteriori probability estimate, 简称MAP)
与最大似然估计类似,但是,在似然函数后面多乘了一项,即“待估计参数的先验分布”。故最大后验估计可以看作规则化的最大似然估计。
根据贝叶斯理论,对于θ的后验分布:
后验分布的目标为:
(分母为f(x),是固定值)
MAP认为,θ是一个随机变量,其先验概率密度函数是已知的,为P(θ),所以其目标为:
MLE认为,θ是非随机变量或者分布未知的随机变量,这两种情况都可以认为P(θ)均匀分布的,即该概率是一个固定值,P(θ)=C,所以其目标为:
转载:http://www.cnblogs.com/liliu/archive/2010/11/24/1886110.html
注:最大后验估计可以看做贝叶斯估计的一种特定形式。
举例来说:
假设有五个袋子,各袋中都有无限量的饼干(樱桃口味或柠檬口味),已知五个袋子中两种口味的比例分别是
樱桃 100%
樱桃 75% + 柠檬 25%
樱桃 50% + 柠檬 50%
樱桃 25% + 柠檬 75%
柠檬 100%
如果只有如上所述条件,那问从同一个袋子中连续拿到2个柠檬饼干,那么这个袋子最有可能是上述五个的哪一个?
我们首先采用最大似然估计来解这个问题,写出似然函数。假设从袋子中能拿出柠檬饼干的概率为p(我们通过这个概率p来确定是从哪个袋子中拿出来的),则似然函数可以写作
由于p的取值是一个离散值,即上面描述中的0,25%,50%,75%,1。我们只需要评估一下这五个值哪个值使得似然函数最大即可,得到为袋子5。这里便是最大似然估计的结果。
上述最大似然估计有一个问题,就是没有考虑到模型本身的概率分布,下面我们扩展这个饼干的问题。
假设拿到袋子1或5的机率都是0.1,拿到2或4的机率都是0.2,拿到3的机率是0.4,那同样上述问题的答案呢?这个时候就变MAP了。我们根据公式
写出我们的MAP函数。
根据题意的描述可知,p的取值分别为0,25%,50%,75%,1,g的取值分别为0.1,0.2,0.4,0.2,0.1.分别计算出MAP函数的结果为:0,0.0125,0.125,0.28125,0.1.由上可知,通过MAP估计可得结果是从第四个袋子中取得的最高。
上述都是离散的变量,那么连续的变量呢?假设为独立同分布的,μ有一个先验的概率分布为。那么我们想根据来找到μ的最大后验概率。根据前面的描述,写出MAP函数为:
此时我们在两边取对数可知。所求上式的最大值可以等同于求
的最小值。求导可得所求的μ为
以上便是对于连续变量的MAP求解的过程。
在MAP中我们应注意的是:
MAP与MLE最大区别是MAP中加入了模型参数本身的概率分布,或者说。MLE中认为模型参数本身的概率的是均匀的,即该概率为一个固定值。
最大后验估计(MAP)相关推荐
- 最大后验估计(MAP)------贝叶斯学派的法宝
本文讲一讲贝叶斯学派的法宝------最大后验估计(MAP) 学派背景 目前在统计分析领域存在两大学派,即频率学派和贝叶斯学派,它俩的争吵由来已久.目前国内大部分的医学统计学教材都是基于频率学派的,但 ...
- 正则化和最大后验估计(MAP)
正则化 前提 y=kx+by=kx+by=kx+b 拟合结果f(w)=wTxf(w)=w^Txf(w)=wTx 运用最小二乘法得到损失函数L=∑i=1N∣∣wTxi−yi∣∣2L=\sum^N_{i= ...
- 最大似然估计MLE和最大后验估计MAP理解
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M ...
- 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 ...
- 贝叶斯估计和最大后验估计
贝叶斯估计和最大后验估计 发表于1年前(2015-01-03 11:48) 阅读(23) | 评论(0) 0人收藏此文章, 我要收藏 赞0 使用贝叶斯估计计算参数比较困难,所以简化为最大后验估计. ...
- 最大似然估计_状态估计的基本概念(2)最大似然估计和最大后验估计
(1)最大似然估计ML和最大后验估计MAP 最大似然估计量 非贝叶斯方法通常是最大化似然函数: 其中 被称为 的最大似然估计量,它是 的函数. 最大后验估计量 估计随机参数的通常方法是最大化后验分布函 ...
- 贝叶斯学习、MAP、ML
贝叶斯估计与有监督学习 如何用贝叶斯估计解决有监督学习问题? 对于有监督学习,我们的目标实际上是估计一个目标函数f : X->Y,,或目标分布P(Y|X),其中X是样本的各个feature组成的 ...
- 频率学派(似然估计)与贝叶斯学派(后验估计)
"若是心怀旧梦,就别再无疾而终!" 频率学派与贝叶斯学派 作为统计学的两大学派,由于对统计推断的观点不一致,相应的方法也不一样.本文主要小结两派思想的区别,并结合实例对两种思想对应 ...
- 文本语言模型的参数估计-最大似然估计、MAP及贝叶斯估计
以PLSA和LDA为代表的文本语言模型是当今统计自然语言处理研究的热点问题.这类语言模型一般都是对文本的生成过程提出自己的概率图模型,然后利用观察到的语料数据对模型参数做估计.有了语言模型和相应的模型 ...
最新文章
- SAP 动态安全库存设置
- 每天学一点flash(40) 制作走马灯四
- 从内涵段子到皮皮虾,娱乐App为何不能一鱼两吃?
- 浅谈php中使用websocket
- 马云启动“NASA”计划 为未来20年愿景研发核心科技
- 使用Math 类 和 Random类 两种方式生成 20 到30之间的随机整数---java基础
- php将数字转化为中文大写人民币格式
- AT3949-[AGC022D]Shopping【贪心】
- linux 上传网页文件大小,Linux:上传未完成的文件 – 文件大小检查(scp / rsync)
- python函数手册pdf_Python参考手册(第4版 修订版) ([美]大卫 M.比兹利) 中文pdf扫描版[102MB]...
- 1.如何判断正交表对错
- 使用 SASS 混合器 和@media 适应分辨率变化
- 三维von Mises-Fisher分布的均值方差
- android添加侧滑菜单,Android侧滑菜单控件DrawerLayout使用详解
- 语雀 添加块级模式公式
- Ubuntu18.04安装Fcitx中文输入法
- 离职和就职的原因(一)
- 【R语言系列01】烦人的拼贴操作 详述 paste and paste0
- 手机电话号码吉凶查询原理及ASP算法源码 转
- 【论文】优秀的论文记录
热门文章
- Uncaught ReferenceError: Mustache is not defined
- 联通光纤猫入户升级:千兆光纤宽带的网卡,为什么只显示100M?
- [ 后端篇 ] 10 - AWS API 返回 Endpoint request time out
- Invalid watch source: undefined A watch source can only be a getter/effect function, a ref, a react
- 微信小程序之图表系列——最简单的表格制作
- launcher3 修改默认桌面布局
- Oracle错误——归档日志已满问题
- c++ http gzip压缩解压缩
- linux系统命令打不出字,常用的命令 linux
- 你对贝叶斯统计都有怎样的理解?