没有合适的资源?快使用搜索试试~ 我知道了~
最大后验(Maximum a Posteriori,MAP)概率估计详解
1.该资源内容由用户上传,如若侵权请联系客服进行举报
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
2.虚拟产品一经售出概不退款(资源遇到问题,请及时私信上传者)
版权申诉
5星 · 超过95%的资源 23 下载量 8 浏览量
2021-01-20
11:38:21
上传
评论 1
收藏 116KB PDF 举报
温馨提示
试读
3页
最大后验(Maximum A Posteriori,MAP)概率估计 注:阅读本文需要贝叶斯定理与最大似然估计的部分基础 最大后验(Maximum A Posteriori,MAP)估计可以利用经验数据获得对未观测量的点态估计。它与Fisher的最(极)大似然估计(Maximum Likelihood,ML)方法相近,不同的是它扩充了优化的目标函数,其中融合了预估计量的先验分布信息,所以最大后验估计可以看作是正则化(regularized)的最大似然估计。 想要了解最大后验(MAP)概率估计,需要学会贝叶斯定理以及极大似然估计(Maximum Likelihood Estimate,M
资源推荐
资源详情
资源评论
最大后验(最大后验(Maximum a Posteriori,,MAP)概率估计详解)概率估计详解
最大后验(最大后验(Maximum A Posteriori,,MAP)概率估计)概率估计
注:阅读本文需要贝叶斯定理与最大似然估计的部分基础注:阅读本文需要贝叶斯定理与最大似然估计的部分基础
最大后验最大后验(Maximum A Posteriori,MAP)估计可以利用经验数据获得对未观测量的点态估计。它与Fisher的最(极)大最(极)大
似然估计似然估计(Maximum Likelihood,ML)方法相近,不同的是它扩充了优化的目标函数,其中融合了预估计量的先验分布信
息,所以最大后验估计可以看作是正则化(regularized)的最大似然估计。
想要了解最大后验最大后验(MAP)概率估计,需要学会贝叶斯定理贝叶斯定理以及极大似然估计极大似然估计(Maximum Likelihood
Estimate,MLE)。
1.贝叶斯定理贝叶斯定理
贝叶斯定理由英国数学家贝叶斯 ( Thomas Bayes 1702-1761 ) 发展,用来描述两个条件概率之间的关系。
这里篇博客主要说的并不是贝叶斯定理,因此,只在这里提及需要用到的有关于贝叶斯的部分知识。
假设,现在有两个一定概率发生的事件A和B,且它们之间存在一定的关系。
– P(A)表示事件A发生的概率。
– P(B)表示事件A发生的概率。
– P(A | B)表示事件B已经发生的情况下,事件A发生的概率。
– P(B | A)表示事件A已经发生的情况下,事件B发生的概率。
理解了以上内容,就可以看一下数学上的贝叶斯定理贝叶斯定理:
2.极大似然估计极大似然估计
极大似然估计方法(Maximum Likelihood Estimate,MLE)也称为最大概似估计或最大似然估计,是求估计的方法之
一。(还有矩估计等)
简单来讲,极大似然估计就是给定模型给定模型,然后通过收集数据收集数据,求该模型的参数参数。例如,投10次特殊的硬币特殊的硬币(给定模
型),出现6次正面4次反面(请注意,这里10次结果有顺序,后面所有的投硬币结果,都有顺序)(收集数据),现在要估
计投这枚硬币出现正面的概率(求参数)。
由于提及“投硬币”,一般人的第一印象就是投到正面和反面的概率都是0.5。不过这样不利于我们接下来的学习,这里,我
们需要摆脱以往的直觉,该硬币是特殊的,正反的概率并一定是0.5。
那么,我们根据以上收集的数据先凭借直觉猜一下,很明显,由于投了10次,出现了6次正面,一般人都会猜投硬币出现
正面的概率最有可能是0.6,当然也不排除其他的可能。
而最大似然估计,简单来讲,就是用数学方法来解释你这种直觉,它就是计算出可能性最大的结果。
上面投硬币的例子,很明显可以看出,这个模型服从二项分布,即进行多次实验,每次实验只有两种可能。用x0,x1,
…,x9表示这10次投硬币的结果,用θ表示投该硬币出现正面的概率,那么把我们的直觉写成用数学写出来就是似然函数似然函数,可
表示成:
当然,不要被似然函数似然函数吓到了,他就是一个名字而已,就上面那个图片中的函数,相信你能看懂。而最大似然估计,顾名
思义,就是要最大化这个似然函数,说得更简单点,就是给你一个函数,求它的极大值点给你一个函数,求它的极大值点。即
对似然函数取对数对数,不会影响该函数的单调性单调性,从而不会影响最后的计算的极值极值,也可以在一定程度上减少减少因计算而带来
的误差误差,还可以极大的简化计算简化计算。
此时求解取对数的似然函数的极大值点,就是似然函数的极大值点。由于似然函数是先单调递增,然后再单调递减的,因
此,取对数的似然函数导数为导数为0的点的点,即是似然函数或取对数的似然函数的极大值点极大值点(在这里也是最大值点最大值点)
最大似然估计可以转化为求下面式子的解:
下面简单说一下求解方法:
这里以上面得例题为例,首先求出最大似然函数
对其进行极大似然估计
然后对似然函数取对数,如下所示:
资源评论
- weixin_396732672023-05-08感谢资源主的分享,这个资源对我来说很有用,内容描述详尽,值得借鉴。
- Rajini2023-07-31资源很赞,希望多一些这类资源。
- qwertyuio123djdj2023-04-12总算找到了自己想要的资源,对自己的启发很大,感谢分享~
- m0_466638332023-02-17资源内容总结的很到位,内容详实,很受用,学到了~
weixin_38654855
- 粉丝: 6
- 资源: 888
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功