极大似然函数求解_极大似然估计详解
转自:https://blog.csdn.net/zengxiantao1994/article/details/72787849
极大似然估计
以前多次接触过极大似然估计,但一直都不太明白到底什么原理,最近在看贝叶斯分类,对极大似然估计有了新的认识,总结如下:
贝叶斯决策
首先来看贝叶斯分类,我们都知道经典的贝叶斯公式:
其中:p(w):为先验概率,表示每种类别分布的概率;
:类条件概率,表示在某种类别前提下,某事发生的概率;而
为后验概率,表示某事发生了,并且它属于某一类别的概率,有了这个后验概率,我们就可以对样本进行分类。后验概率越大,说明某事物属于这个类别的可能性越大,我们越有理由把它归到这个类别下。
我们来看一个直观的例子:已知:在夏季,某公园男性穿凉鞋的概率为1/2,女性穿凉鞋的概率为2/3,并且该公园中男女比例通常为2:1,问题:若你在公园中随机遇到一个穿凉鞋的人,请问他的性别为男性或女性的概率分别为多少?
从问题看,就是上面讲的,某事发生了,它属于某一类别的概率是多少?即后验概率。
设:
由已知可得:
男性和女性穿凉鞋相互独立,所以
(若只考虑分类问题,只需要比较后验概率的大小,的取值并不重要)。
由贝叶斯公式算出:
问题引出
但是在实际问题中并不都是这样幸运的,我们能获得的数据可能只有有限数目的样本数据,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,一种可行的办法是我们需要先对先验概率和类条件概率进行估计,然后再套用贝叶斯分类器。
先验概率的估计较简单,1、每个样本所属的自然状态都是已知的(有监督学习);2、依靠经验;3、用训练样本中各类出现的频率估计。
类条件概率的估计(非常难),原因包括:概率密度函数包含了一个随机变量的全部信息;样本数据可能不多;特征向量x的维度可能很大等等。总之要直接估计类条件概率的密度函数很难。解决的办法就是,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,极大似然估计就是一种参数估计方法。当然了,概率密度函数的选取很重要,模型正确,在样本区域无穷时,我们会得到较准确的估计值,如果模型都错了,那估计半天的参数,肯定也没啥意义了。
重要前提
上面说到,参数估计问题只是实际问题求解过程中的一种简化方法(由于直接估计类条件概率密度函数很困难)。所以能够使用极大似然估计方法的样本必须需要满足一些前提假设。
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),且有充分的训练样本。
极大似然估计
极大似然估计的原理,用一张图片来说明,如下图所示:
总结起来,最大似然估计的目的就是:利用已知的样本结果,反推最有可能(最大概率)导致这样结果的参数值。
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,是概率论在统计学中的应用。极大似然估计提供了一种给定观察数据来评估模型参数的方法,即:“模型已定,参数未知”。通过若干次试验,观察其结果,利用试验结果得到某个参数值能够使样本出现的概率为最大,则称为极大似然估计。
由于样本集中的样本都是独立同分布,可以只考虑一类样本集D,来估计参数向量θ。记已知的样本集为:
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。
如果
是参数空间中能使似然函数
最大的θ值,则
应该是“最可能”的参数值,那么
就是θ的极大似然估计量。它是样本集的函数,记作:
求解极大似然函数
ML估计:求使得出现该组样本的概率最大的θ值。
实际中为了便于分析,定义了对数似然函数:
1. 未知参数只有一个(θ为标量)
在似然函数满足连续、可微的正则条件下,极大似然估计量是下面微分方程的解:
2.未知参数有多个(θ为向量)
则θ可表示为具有S个分量的未知向量:
记梯度算子:
若似然函数满足连续可导的条件,则最大似然估计量就是如下方程的解。
方程的解只是一个估计值,只有在样本数趋于无限多的时候,它才会接近于真实值。
极大似然估计的例子
例1:设样本服从正态分布
,则似然函数为:
它的对数:
求导,得方程组:
联合解得:
似然方程有唯一解
:,而且它一定是最大值点,这是因为当
或
时,非负函数
。于是U和
的极大似然估计为
。
例2:设样本服从均匀分布[a, b]。则X的概率密度函数:
对样本
:
很显然,L(a,b)作为a和b的二元函数是不连续的,这时不能用导数来求解。而必须从极大似然估计的定义出发,求L(a,b)的最大值,为使L(a,b)达到最大,b-a应该尽可能地小,但b又不能小于
,否则,L(a,b)=0。类似地a不能大过
,因此,a和b的极大似然估计:
总结
求最大似然估计量
的一般步骤:
(1)写出似然函数;
(2)对似然函数取对数,并整理;
(3)求导数;
(4)解似然方程。
最大似然估计的特点:
1.比其他估计方法更加简单;
2.收敛性:无偏或者渐近无偏,当样本数目增加时,收敛性质会更好;
3.如果假设的类条件概率模型正确,则通常能获得较好的结果。但如果假设模型出现偏差,将导致非常差的估计结果。
极大似然函数求解_极大似然估计详解相关推荐
- 极大似然函数求解_关于极大似然估计的学习(附Matlab中mle函数的求解)
冒泡~是新的一周辣~温故而知新一下极大似然估计(真是很不容易了) 极大似然估计的基本思想 什么是极大似然?官方上的较清楚的解释是:利用已知的样本的结果,在使用某个模型的基础上,反推最有可能导致这样结果 ...
- 极大似然函数求解_从最大似然函数 到 EM算法详解
极大似然算法 本来打算把别人讲的好的博文放在上面的,但是感觉那个适合看着玩,我看过之后感觉懂了,然后实际应用就不会了.... MLP其实就是用来求模型参数的,核心就是"模型已知,求取参数&q ...
- 极大似然函数求解_概率论中极大似然估计中的似然函数怎么确定 就是L(X;θ)...
展开全部 离散型场合的似然函数 就是样本取给定的那组观测值的概率(可以由总636f707962616964757a686964616f31333431353330体的分布列直接写出). 连续型场合的似 ...
- 极大似然函数求解_概率与数理统计--极大似然估计详细讲解及例题.ppt
概率与数理统计--极大似然估计详细讲解及例题 极大似然估计 二.寻求估计量的方法 1. 矩估计法 2. 极大似然法 3. 最小二乘法 4. 贝叶斯方法 -- 这里我们主要介绍第二两种方法 . 2. 极 ...
- 极大似然估计详解,写的太好了!
极大似然估计 以前多次接触过极大似然估计,但一直都不太明白到底什么原理,最近在看贝叶斯分类,对极大似然估计有了新的认识,总结如下: 贝叶斯决策 首先来看贝叶斯分类,我们都知道经典的贝叶斯公式: 其中: ...
- 贝叶斯公式和极大似然估计详解
文章目录 一.贝叶斯决策 二.极大似然估计的引出 三.极大似然估计 四.极大似然函数的求解 一.贝叶斯决策 首先来看贝叶斯分类,我们都知道经典的贝叶斯公式: 我们来看一个直观的例子:已知:在夏季,某公 ...
- 机器学习之极大似然估计详解
文章目录 前言 极大似然原理 极大似然估计 极大似然估计的应用及推导 推导 联合概率是什么 求极大似然估计值$\hat\theta$的一般步骤 前言 极大似然估计在机器学习中很多模型都会用到,理解了极 ...
- 参数估计之点估计(矩估计,最大似然估计) 详解+例题
统计学 参数估计之点估计(矩估计,最大似然估计) 详解含推导 1.何为点估计 在了解点估计之前,我们先介绍一下估计量与估计值的概念 1.1估计量与估计值 参数估计 就是用样本统计量去估计总体的参数,如 ...
- 孙子兵法之36计详解
孙子兵法之36计详解 第一套 胜战计 第一计 瞒天过海 备周而意怠,常见则不疑,阴在阳之内,不在阳之对.太阳,太阴. 译:认为准备万分周到,就容易松劲:平时看惯了的,就往往不在怀疑了,秘计隐藏在暴露的 ...
- nbns协议_网络协议详解1 - NBNS
NetBIOS 简介 NetBIOS,Network Basic Input/Output System的缩写,一般指用于局域网通信的一套API,相关RFC文档包括 RFC 1001, RFC 100 ...
最新文章
- Nested Mappings
- 俄罗斯独特的职业***文化
- AI设计师“鹿班”核心技术公开:如何1秒设计8000张海报?
- 教小学四年级的计算机,小学四年级微机教学设计
- 谈点技术吧,6万人在线每秒实时更新的解决方案
- [BZOJ1497] [NOI2006]最大获利
- LIBCMTD.lib与libcpmtd冲突的解决方法。
- js使用深度优先遍历实现getElmentById(id)
- 计算机2020中级考试题,突发!2020年中级考试分值及评分标准大变!
- SCO UNIX环境下自动增加网关的两种方法
- 【机器学习】KNN回归
- Google 出品的 Java 编码规范,强烈推荐,权威又科学!
- tomcat部署web项目的3中方法
- 31、栈的压入、弹出序列(Python)
- GCC编译器使用简介
- 6个免费下载课件的资源网站,小学、初中、高中、大学全覆盖!
- 接近开关 NPN 与 PNP的区别
- Auto.js Pro 调起APP并跳转至指定页面
- 微信小程序发布正式版规则,累的教训(小程序审核常见驳回类型-可用性和完整性问题)
- 一个出身寒门的状元之编程