本文详细介绍了《模式分类》第三章的参数估计方法，包括最大似然估计和贝叶斯估计。最大似然估计通过最大化似然函数求解最优参数，而贝叶斯估计结合参数的先验信息，利用贝叶斯公式求解参数的后验概率分布。这两种方法在已知类条件概率密度函数形式但未知参数的情况下，用于估计参数并求解类条件概率密度，为模式分类提供依据。
第三章
下面进入对第三章的脉络分析。上一篇博客结尾处提到了书中35页的例题，我认为应该是第三章学完才能解决的问题。即根据现有的一些样本点，确定分界面，这样来一个新的样本点我们才能对其分类。我们知道，分界面其实就是两类后验概率的差（或者对数的差），后验概率可以由先验概率和类条件概率求得，由于先验概率一般给定，所以我们的所有精力都落在了求类条件概率上。
那如何根据样本点去求类条件概率密度呢？第二章后面是直接假设我们已知概率密度函数的形式和参数，但假如我们不知道呢？这就可以分为两类，当我们知道形式而不知道参数时，我们就需要第三章的参数估计方法去估计出参数，进而得到类条件概率密度。当我们连形式都不知道的时候，我们就需要第四章的非参数估计方法，直接估计出类条件概率密度。这里书中介绍了两种参数估计的方法：
1.最大似然估计
最大似然参数估计是要最大化似然函数，函数形式如下：
其中是以<
最低0.47元/天 解锁文章
扫一扫
542
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
