机器学习概念:最大后验概率估计与最大似然估计 (Maximum posterior probability and maximum likelihood estimation)
2015-11-25 18:01
399 查看
joey 周琦
假设有参数θ\theta, 观测x\mathbf{x}, 设f(x|θ)f(x|\theta)是变量xx的采样分布,θ\theta是其中的参数。那么θ\theta的最大似然估计可以表示为:
θ̂ ML(x)=argmaxθf(x|θ) \hat \theta_{ML}(x) = \arg \max \limits_{\theta} f(x|\theta)
而贝叶斯理论,假设θ\theta不是一个确定的值,而是服从某一先验分布gg, 那么θ\theta的后验分布:
f(θ|x)∝f(x|θ)g(θ) f(\theta|x) \propto f(x|\theta)g(\theta)
所以
θ̂ MAP(x)=argmaxθf(x|θ)g(θ) \hat \theta_{MAP}(x) = \arg \max \limits_{\theta} f(x|\theta)g(\theta)
MAP在机器学习中也可以被理解为MLE+正则化,正则化的参数与先验分布相关
假设有参数θ\theta, 观测x\mathbf{x}, 设f(x|θ)f(x|\theta)是变量xx的采样分布,θ\theta是其中的参数。那么θ\theta的最大似然估计可以表示为:
θ̂ ML(x)=argmaxθf(x|θ) \hat \theta_{ML}(x) = \arg \max \limits_{\theta} f(x|\theta)
而贝叶斯理论,假设θ\theta不是一个确定的值,而是服从某一先验分布gg, 那么θ\theta的后验分布:
f(θ|x)∝f(x|θ)g(θ) f(\theta|x) \propto f(x|\theta)g(\theta)
所以
θ̂ MAP(x)=argmaxθf(x|θ)g(θ) \hat \theta_{MAP}(x) = \arg \max \limits_{\theta} f(x|\theta)g(\theta)
MAP在机器学习中也可以被理解为MLE+正则化,正则化的参数与先验分布相关
相关文章推荐
- vc中static选中效果
- swift学习笔记-2
- 关于公有、私有、特权、静态成员的简单代码
- oracle分页sql
- java技术体系基础
- 【HTML5】触摸事件(touchstart、touchmove和touchend)
- Spring Security3 - MVC 整合教程 (初识Spring Security3)
- 36,const的作用
- cocos2d-x在Android平台下的音频导致的卡死
- 解决apple mobile device service无法启动
- 快速上手JFinal
- UIColor (16进制颜色、透明色使用)
- itms-services协议:跳转网页部署及PHP动态生成 iOS渠道包IPA一键安装之plist
- AKKA文档(java版)—角色
- (几个gradle)gradle工程的环境搭建----安装gradle
- 用ext_skel,实现一个PHP扩展,添加到PHP并调用
- Sqlserver,MySql 通用分页存储过程
- 基于Ubuntu14.04的Hadoop2.6.0完全分布式安装
- hoyi-web[java] 用户控件的使用
- java io 流整理