最大后验与最大似然
P(x|z) = P(z|x)P(x)/P(z) ~ P(z|x)P(x)
贝叶斯法则左侧P(x|z)通常被称为后验概率,右侧P(z|x)称为似然,P(x)称为先验.直接求后验分布是困难的,但是求一个状态最优估计,使得在该状态下后验概率最大化(MAP)则是可行的.
xmap = arg maxP(x|z) = arg maxP(z|x)P(x)
求解最大后验概率相当于最大化似然和先验的乘积.如果没有先验,即没有先验的位置信息,此时就没有了先验,那么,可以求解x的最大似然估计(MLE)
xMLE = arg maxP(z|x)
直观讲,似然是指,"在现在的位资下,可能产生怎样的观测数据".由于我们知道观测数据,所以最大化似然估计可以理解成:"在什么样的状态下,最可能产生现在的观测到的数据".这就是最大似然估计的直观意义.
最大似然和残差平方和最小.
假设残差服从正太分布.最大似然的解(即参数的估值)就等于所有观测值残差平方和最小.
其证明就是假设残差服从正太分布
最大化似然,残差服从正太分布,求其最大,即求其最小化负对数.解的,当残差平方和最小时,负对数最小,即最大化似然.因此当残差服从正太分布时最大化似然的准则即为残差平方和最小.
见https://blog.csdn.net/The_lastest/article/details/82413772
最大似然和最小二乘的关系.
最小二乘是以残差平方和最小为准则的参数估计方法.
因此最小二乘估计等价与当残差服从正太分布时的最大似然估计.
求解最小二乘问题其实都是在求最大似然估计.