上一部分讲了贝叶斯决策的基本概念和使用它来做分类器(判别函数、决策面)
接下来引入
最大似然估计和贝叶斯参数估计
每个样本集中的样本都是所谓 独立 同分布的随机变量【任何时刻的取值都为随机变量,如果这些随机变量服从同一分布,并且互相独立,那么这些随机变量是独立同分布。】,且有充分 的训练样本
类的条件概率密度估计(非常难),可分为这两类
说到那么难的一个问题,所以我们本章的重点就是:
试试用最大似然数估计解决这个问题
初始化一下条件
单个参数ML估计
介绍一下那个未知参数的含义
要解决的问题:
ML的求解:
多个参数情况下ML估计
唯一解情况
其他情况
无法求解的情况:均匀分布
正态分布情况分析
最后解得