最大似然估计理解
2017-11-17 20:12
71 查看
最大似然估计:Maximum Likelihood Estimation,简称MLE;
要理解此概念首先要看下什么叫贝叶斯公式,如下:
P(θ|D)=P(D|θ)P(θ)P(D)
我们把D看作是样本,θ看作是这个样本所服从分布的参数,那么上式左侧P(θ|D)可理解为:在给定样本D下,其服从参数为θ的分布的概率,P(D|θ)可理解为在给定参数θ时,样本D发生的概率,P(θ)为参数存在的概率,P(D)为样本发生的概率。
在实际应用中,我们希望从样本中总结出规律,即得到θ。
按照上面的公式,即:求当P(θ)最大时的θ值。
MAX(P(θ|D))=MAX(P(D|θ)P(θ)P(D)),由于P(D)和P(θ)一定,则上式可简化为求MAX(P(D|θ)),此即为最大似然估计,其中P(D|θ)即为似然函数。
假设样本X1,X2...Xn,独立同分布于f(x,θ1,θ2...θk),则其似然函数即为X1,X2...Xn的联合概率分布:
L(X1X2...Xn)=∏ni=1f(xi,θ1,θ2...θk),
求似然函数取最大值时的参数,可通过令其二阶导数为0得到,通常两边先取对数,然后求导。
要理解此概念首先要看下什么叫贝叶斯公式,如下:
P(θ|D)=P(D|θ)P(θ)P(D)
我们把D看作是样本,θ看作是这个样本所服从分布的参数,那么上式左侧P(θ|D)可理解为:在给定样本D下,其服从参数为θ的分布的概率,P(D|θ)可理解为在给定参数θ时,样本D发生的概率,P(θ)为参数存在的概率,P(D)为样本发生的概率。
在实际应用中,我们希望从样本中总结出规律,即得到θ。
按照上面的公式,即:求当P(θ)最大时的θ值。
MAX(P(θ|D))=MAX(P(D|θ)P(θ)P(D)),由于P(D)和P(θ)一定,则上式可简化为求MAX(P(D|θ)),此即为最大似然估计,其中P(D|θ)即为似然函数。
假设样本X1,X2...Xn,独立同分布于f(x,θ1,θ2...θk),则其似然函数即为X1,X2...Xn的联合概率分布:
L(X1X2...Xn)=∏ni=1f(xi,θ1,θ2...θk),
求似然函数取最大值时的参数,可通过令其二阶导数为0得到,通常两边先取对数,然后求导。
相关文章推荐
- 参数估计
- 最大似然函数
- 最小二乘法与最大似然估计
- 模式分类对于最大似然参数估计与贝叶斯参数估计的一些理解
- 最大似然估计(Maximum likelihood estimation)(通过例子理解)
- 机器学习基础--最大似然估计
- 深入浅出最大似然估计(Maximum Likelihood Estimation)
- 最大似然估计
- 最大似然估计(MLE)
- 参数估计
- MLE极大似然估计和EM最大期望算法
- 机器学习 - MLE、MAP、BP
- 似然函数 最大后验假设 最大似然估计
- 最大似然估计,高斯分布,高斯混合模型,EM算法
- 曲线拟合的几种解释
- 高斯判别分析与高斯混合分布之庖丁解牛(第一集)
- 极大似然和最小平方误差等价关系
- logistic regression 以及梯度下降
- 极大似然估计
- 最大似然估计Maximum-likelihood (ML) Estimation