【阅读记录】贝叶斯相关知识（极大似然估计与贝叶斯分类器）

前言：

{

    上一期[1]实际应该算是阅读记录，因为主要参考的只有[2]，这一期也是继续后面的内容。

}

 

正文：

{

    极大似然估计（Maximum Likelihood Estimation，MLE）：

    {

        这个概念在《概率论与数理统计》中有涉及，不过我还记得考试时相关的题目都很简单，只需要取对数求导即可，更深的内容我就不了解了，这次正好学习一下。

        对于上期[1]中提到的例1，我们已经知道它的似然，但很多情况下，我们只能得到一堆数据。把上次[1]的例1变为例1改，即给出的不是直接的概率，而是一堆[（嘤嘤怪挨打），（O使用“拳击”）]的数据对：

        [真，真]，[真，假]，[真，真]，[真，真]，[真，真]，[假，假]，[假，真]，[真，真]。

        这时，似然P（嘤嘤怪挨打|O使用“拳击”）是涉及两种事件的关系的概率，需要联合两种变量来确定。

        就拿例1改来说，P（嘤嘤怪挨打）与O是否使用“拳击”有关，设c=（O使用“拳击”），x=（嘤嘤怪挨打），假设x服从二项分布（这只是一种假设）：P（x=真）=，即P（x=假）=1-，则可根据上述数据对得式（7.9）。

       

        其中