最大似然参数估计与贝叶斯参数估计
一,贝叶斯判决
现有c个类需分类,为{
ω1,ω2,...,ωc },对应的数据集为{
D1,D2,...,Dc },样本为 x ,是一个d维列向量,则依据贝叶斯规则:
P(ωi|x)=p(x|ωi)P(ωi)∑cj=1p(x|ωj)P(ωj)
按照最大后验概率(MAP)判决规则:判决的类别 ωout=argmωiaxP(ωi|x )
P(ωi) 为先验概率,我们往往很容易就能得到,故还需要知道条件概率密度函数 p(x|ωi) 。通常我们会对 p(x|ωi) 进行建模(如建模成高斯函数),则 p(x|ωi) 的形式是已知的,但是当中还含有参数 θ ,此时我们将条件密度函数写成 p(x|ωi,θi) 的形式。
于是我们现在需要估计当中的参数 θi ,估计方法由最大似然估计法和贝叶斯估计法两种方法,下面将会逐一介绍。
而通常我们是用 Di 来估计 p(x|ωi,θi) ,也就是一个种类下估计该类下的参数 θi ,于是对于该类下的样本来说 ωi 都是相同的,那么 p(x|ωi) 可以写成 p(x) 的形式, p(x|ωi,θi) 也可以写成 p(x|θ) 的形式。
二,最大似然估计法
最大似然估计法将 θ 看成是一个确定的量,只是值不知道而已,其思想是选择一个 θ 使得似然函数 p(D|θ) 最大。