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。
最大似然估计理解
最新推荐文章于 2024-06-14 10:32:25 发布