【MLE】最大似然估计Maximum Likelihood Estimation
2017-06-02 22:16
253 查看
模型已定,参数未知
已知某个随机样本满足某种概率分布,但是其中具体的参数不清楚,参数估计就是通过若干次试验,观察其结果,利用结果推出参数的大概值。最大似然估计是建立在这样的思想上:已知某个参数能使这个样本出现的概率最大,我们当然不会再去选择其他小概率的样本,所以干脆就把这个参数作为估计的真实值。
假设模型满足某种总体分布,但是不知道模型的参数,通过样本去估计参数。
最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,假设我们要统计全国人口的身高,首先假设这个身高服从服从正态分布,但是该分布的均值与方差未知。我们没有人力与物力去统计全国每个人的身高,但是可以通过采样,获取部分人的身高,然后通过最大似然估计来获取上述假设中的正态分布的均值与方差。
最大似然估计中采样需满足一个很重要的假设,就是所有的采样都是独立同分布的。下面我们具体描述一下最大似然估计:
首先,假设
![](https://oscdn.geek-share.com/Uploads/Images/Content/201706/93a39b0dbeb803c8fe15d01132c3a597.png)
为独立同分布的采样,θ为模型参数,f为我们所使用的模型,遵循我们上述的独立同分布假设。参数为θ的模型f产生上述采样可表示为
![](https://oscdn.geek-share.com/Uploads/Images/Content/201706/56eceeba21607c64af07fc2f92673cf8.png)
回到上面的“模型已定,参数未知”的说法,此时,我们已知的为
![](https://oscdn.geek-share.com/Uploads/Images/Content/201706/c02c167fc78cd09845d5f4b19b0bfc58.png)
,未知为θ,故似然定义为:
![](https://oscdn.geek-share.com/Uploads/Images/Content/201706/eac06acfa54f1d44d975e883faae3680.png)
在实际应用中常用的是两边取对数,得到公式如下:
![](https://oscdn.geek-share.com/Uploads/Images/Content/201706/17a4aecbebedf783ff5f426d69624580.png)
其中
![](https://oscdn.geek-share.com/Uploads/Images/Content/201706/69f550a7000270d3fbe505f54af356c9.png)
称为对数似然,而
![](https://oscdn.geek-share.com/Uploads/Images/Content/201706/887cdb7b0c0697ae5645b29bb8c3026f.png)
称为平均对数似然。而我们平时所称的最大似然为最大的对数平均似然,即:
![](https://oscdn.geek-share.com/Uploads/Images/Content/201706/b9831aaf15b58f9dbda7e990aa09877d.png)
假如有一个罐子,里面有黑白两种颜色的球,数目多少不知,两种颜色的比例也不知。我 们想知道罐中白球和黑球的比例,但我们不能把罐中的球全部拿出来数。现在我们可以每次任意从已经摇匀的罐中拿一个球出来,记录球的颜色,然后把拿出来的球 再放回罐中。这个过程可以重复,我们可以用记录的球的颜色来估计罐中黑白球的比例。假如在前面的一百次重复记录中,有七十次是白球,请问罐中白球所占的比例最有可能是多少?很多人马上就有答案了:70%。而其后的理论支撑是什么呢?
我们假设罐中白球的比例是p,那么黑球的比例就是1-p。因为每抽一个球出来,在记录颜色之后,我们把抽出的球放回了罐中并摇匀,所以每次抽出来的球的颜 色服从同一独立分布。这里我们把一次抽出来球的颜色称为一次抽样。题目中在一百次抽样中,七十次是白球的概率是P(Data | M),这里Data是所有的数据,M是所给出的模型,表示每次抽出来的球是白色的概率为p。如果第一抽样的结果记为x1,第二抽样的结果记为x2... 那么Data = (x1,x2,…,x100)。这样,
P(Data | M)
= P(x1,x2,…,x100|M)
= P(x1|M)P(x2|M)…P(x100|M)
= p^70(1-p)^30.
那么p在取什么值的时候,P(Data |M)的值最大呢?将p^70(1-p)^30对p求导,并其等于零。
70p^69(1-p)^30-p^70*30(1-p)^29=0。
解方程可以得到p=0.7。
在边界点p=0,1,P(Data|M)=0。所以当p=0.7时,P(Data|M)的值最大。这和我们常识中按抽样中的比例来计算的结果是一样的。
假如我们有一组连续变量的采样值(x1,x2,…,xn),我们知道这组数据服从正态分布,标准差已知。请问这个正态分布的期望值为多少时,产生这个已有数据的概率最大?
P(Data | M) = ?
根据公式
![](https://oscdn.geek-share.com/Uploads/Images/Content/201706/603ffbe1b3566520061cdb485a1dcfb1.png)
可得:
![](https://oscdn.geek-share.com/Uploads/Images/Content/201706/f6b3738065b999fff96d9ac21fb1ca52.png)
对μ求导可得
![](https://oscdn.geek-share.com/Uploads/Images/Content/201706/1019db7c67c4c56dd47214be2c0e6e29.png)
,则最大似然估计的结果为μ=(x1+x2+…+xn)/n
由上可知最大似然估计的一般求解过程:
(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
注意:最大似然估计只考虑某个模型能产生某个给定观察序列的概率。而未考虑该模型本身的概率。这点与贝叶斯估计区别。
已知某个随机样本满足某种概率分布,但是其中具体的参数不清楚,参数估计就是通过若干次试验,观察其结果,利用结果推出参数的大概值。最大似然估计是建立在这样的思想上:已知某个参数能使这个样本出现的概率最大,我们当然不会再去选择其他小概率的样本,所以干脆就把这个参数作为估计的真实值。
假设模型满足某种总体分布,但是不知道模型的参数,通过样本去估计参数。
最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,假设我们要统计全国人口的身高,首先假设这个身高服从服从正态分布,但是该分布的均值与方差未知。我们没有人力与物力去统计全国每个人的身高,但是可以通过采样,获取部分人的身高,然后通过最大似然估计来获取上述假设中的正态分布的均值与方差。
最大似然估计中采样需满足一个很重要的假设,就是所有的采样都是独立同分布的。下面我们具体描述一下最大似然估计:
首先,假设
![](https://oscdn.geek-share.com/Uploads/Images/Content/201706/93a39b0dbeb803c8fe15d01132c3a597.png)
为独立同分布的采样,θ为模型参数,f为我们所使用的模型,遵循我们上述的独立同分布假设。参数为θ的模型f产生上述采样可表示为
![](https://oscdn.geek-share.com/Uploads/Images/Content/201706/56eceeba21607c64af07fc2f92673cf8.png)
回到上面的“模型已定,参数未知”的说法,此时,我们已知的为
![](https://oscdn.geek-share.com/Uploads/Images/Content/201706/c02c167fc78cd09845d5f4b19b0bfc58.png)
,未知为θ,故似然定义为:
![](https://oscdn.geek-share.com/Uploads/Images/Content/201706/eac06acfa54f1d44d975e883faae3680.png)
在实际应用中常用的是两边取对数,得到公式如下:
![](https://oscdn.geek-share.com/Uploads/Images/Content/201706/17a4aecbebedf783ff5f426d69624580.png)
其中
![](https://oscdn.geek-share.com/Uploads/Images/Content/201706/69f550a7000270d3fbe505f54af356c9.png)
称为对数似然,而
![](https://oscdn.geek-share.com/Uploads/Images/Content/201706/887cdb7b0c0697ae5645b29bb8c3026f.png)
称为平均对数似然。而我们平时所称的最大似然为最大的对数平均似然,即:
![](https://oscdn.geek-share.com/Uploads/Images/Content/201706/b9831aaf15b58f9dbda7e990aa09877d.png)
假如有一个罐子,里面有黑白两种颜色的球,数目多少不知,两种颜色的比例也不知。我 们想知道罐中白球和黑球的比例,但我们不能把罐中的球全部拿出来数。现在我们可以每次任意从已经摇匀的罐中拿一个球出来,记录球的颜色,然后把拿出来的球 再放回罐中。这个过程可以重复,我们可以用记录的球的颜色来估计罐中黑白球的比例。假如在前面的一百次重复记录中,有七十次是白球,请问罐中白球所占的比例最有可能是多少?很多人马上就有答案了:70%。而其后的理论支撑是什么呢?
我们假设罐中白球的比例是p,那么黑球的比例就是1-p。因为每抽一个球出来,在记录颜色之后,我们把抽出的球放回了罐中并摇匀,所以每次抽出来的球的颜 色服从同一独立分布。这里我们把一次抽出来球的颜色称为一次抽样。题目中在一百次抽样中,七十次是白球的概率是P(Data | M),这里Data是所有的数据,M是所给出的模型,表示每次抽出来的球是白色的概率为p。如果第一抽样的结果记为x1,第二抽样的结果记为x2... 那么Data = (x1,x2,…,x100)。这样,
P(Data | M)
= P(x1,x2,…,x100|M)
= P(x1|M)P(x2|M)…P(x100|M)
= p^70(1-p)^30.
那么p在取什么值的时候,P(Data |M)的值最大呢?将p^70(1-p)^30对p求导,并其等于零。
70p^69(1-p)^30-p^70*30(1-p)^29=0。
解方程可以得到p=0.7。
在边界点p=0,1,P(Data|M)=0。所以当p=0.7时,P(Data|M)的值最大。这和我们常识中按抽样中的比例来计算的结果是一样的。
假如我们有一组连续变量的采样值(x1,x2,…,xn),我们知道这组数据服从正态分布,标准差已知。请问这个正态分布的期望值为多少时,产生这个已有数据的概率最大?
P(Data | M) = ?
根据公式
![](https://oscdn.geek-share.com/Uploads/Images/Content/201706/603ffbe1b3566520061cdb485a1dcfb1.png)
可得:
![](https://oscdn.geek-share.com/Uploads/Images/Content/201706/f6b3738065b999fff96d9ac21fb1ca52.png)
对μ求导可得
![](https://oscdn.geek-share.com/Uploads/Images/Content/201706/1019db7c67c4c56dd47214be2c0e6e29.png)
,则最大似然估计的结果为μ=(x1+x2+…+xn)/n
由上可知最大似然估计的一般求解过程:
(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
注意:最大似然估计只考虑某个模型能产生某个给定观察序列的概率。而未考虑该模型本身的概率。这点与贝叶斯估计区别。
相关文章推荐
- 最大似然估计(Maximum likelihood estimation) 【转】
- 最大似然估计(Maximum Likelihood Estimation)
- 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)
- 最大似然估计(Maximum likelihood estimation)
- 最大似然估计(maximum likelihood estimation)
- 最大似然估计(Maximum likelihood estimation)
- 最大似然估计Maximum-likelihood (ML) Estimation
- 最大似然估计(Maximum likelihood estimation)(通过例子理解)
- 最大似然估计Maximum Likelihood Estimation
- 最大似然预计(Maximum likelihood estimation)
- 最大似然估计 (MLE) 最大后验概率(MAP)
- 最大似然估计 (MLE) 最大后验概率(MAP)
- 最大似然估计法(MLE)
- 【转载】参数估计(Parameter Estimation):频率学派(最大似然估计MLE、最大后验估计MAP)与贝叶斯学派(贝叶斯估计BPE)
- [最大似然估计 MLE] Codeforces 802DEF Helvetic Coding Contest 2017 D. E. F. Marmots
- 参数估计:最大似然估计MLE
- 最大似然估计(MLE)与最小二乘估计(LSE)的区别
- 补充资料——自己实现极大似然估计(最大似然估计)MLE
- 最大似然估计(MLE)和最大后验概率(MAP)
- 最大似然估计(MLE)、最大后验概率估计(MAP),以及贝叶斯公式的理解