最大似然法

与传统计量模型相对的统计方法，存在

1）参数的解释不同:经典估计:待估参数具有确定值它的估计量才是随机的。如果估计量是无偏的，该估计量的期望等于那个确定的参数。bayes待估参数服从某种分布的随机变量。

2）利用的信息不同:经估:只利用样本信息，bayes要求事先提供一个参数的先验分布，即人们对有关参数的主观认识，是非样本信息。在参数估计中它们与样本信息一起被利用。

3）对随机误差项的要求不同，经典估计除了最大似然法在参数估计中不要求知道随机误差项的具体分布形式在假设检验与区间估计时是需要的。bayes要知道随机误差项的具体分布形式。

4）选择参数估计量的准则不同:经典估计以ols最大似然为准则求解参数估计量。bayes要构造一个损失函数并以损失函数最小化为准则求得参数估计量.

最大似然/ 贝叶斯分类

与分布有关的统计分类方法主要有最大似然/ 贝叶斯分类。最大似然分类是图像处理中最常用的一种监督分类方法,它利用了遥感数据的统计特征,假定各类的分布函数为正态分布,在多变量空间中形成椭圆或椭球分布,也就是和中个方向上散布情况不同,按正态分布规律用最大似然判别规则进行判决,得到较高准确率的分类结果。否则,用平行六面体或最小距离分类效果会更好。

最大似然/ 贝叶斯分类公式如下:

其中:

D :加权距离(可能性)；

c :某一特征类型；

X :象素的测量矢量；

 :类型C 的样本平均矢量；

 :任一象素属于类型C 的百分概率(缺省为110 ,或根据先验知识输入)；

 :类型C 的样本中的象素的协方差矩阵；

| | :  的行列式；

| |：  的逆矩阵；

ln:自然对数函数；

T :转置函数；

分类步骤:

①确定需要分类的地区和使用的波段和特征分类数,检查所用各波段或特征分量是否相互已经位置配准；

②根据已掌握的典型地区的地面情况,在图像上选择训练区；

③计算参数,根据选出的各类训练区的图像数据,计算和  ,确定先验概率；

④分类,将训练区以外的图像像元逐个逐类代入公式,对于每个像元,分几类就计算几次,最后比较大小,选择最大值得出类别；

⑤产生分类图,给每一类别规定一个值,如果分10 类,就定每一类分别为1 ,2 ……10 ,分类后的像元值便用类别值代替,最后得到的分类图像就是专题图像. 由于最大灰阶值等于类别数,在监视器上显示时需要给各类加上不同的彩色；

⑥检验结果,如果分类中错误较多,需要重新选择训练区再作以上各步,直到结果满意为止。

这种方法的优点是,对符合正态分布的样本P聚类组而言,是监督分类中较准确的分类器,因为考虑的因素较多；与Mahalanobis 距离一样. 通过协方差矩阵考虑了类型内部的变化。缺点是,扩展后的等式计算量较大,当输入波段增加时,计算时间相应增加；最大似然是参数形式的,意味着每一输入波段必须符合正态分布；在协方差矩阵中有较大值时,易于对模板分类过头,如果在聚类组或训练样本中的象素分布较分散,则模板的协方差矩阵中会出现大值。

最大似然估计&贝叶斯估计

概率空间的定义为(Omega, F, P)。在概率图模型中，一个问题是从已知的抽样中估计概率测度P。通常，有两种估计的方法：一是最大似然估计，一是贝叶斯估计。比如，投硬币的问题，30上，20下，就估计上的概率为3/5，这样的估计可以使似然度最大。而贝叶斯主义者认为还应该有更多的先验知识，比如我们早就知道这样的概率取值为1/2的概率相对最大，加入这样的知识后运用贝叶斯公式估计出来的概率就与最大似然法的结果不同。可以想像当先验知识可靠的时候，这样的估计会更准确的。 
　　形式化一点，投硬币的概率空间为({正, 反}, {{正}, {反}},{(正, p), (反, 1-p)})。最大似然直接在这样的空间上估计p。而贝叶斯主义者将所有p决定的测度P看成是另一个Omega*，即概率本身是另一个概率空间中的一个采样。这另一个空间有自己的另一套测度P*。比如投币问题中Omega*是所有可能拿到的硬币，显然P*会告诉我们不同的硬币会有不同的p。如果这样的P*能够很好的得到，那么这样估计的概率会更有说服力。　　
　　那么我想做一些引申，既然一个正反面的概率测度P可以是一个更大的空间中依P*的采样，那么P*本身为什么不是从另一个更大空间中采样出来的呢。比如考虑温度、湿度、表面粗糙度、重力加速度等条件，会得到另一个概率空间Omega**，不同的环境条件决定了各个硬币正面概率的变化，故是这样的空间采样了P*。如果我们同样能够清晰描述P**，这显然也是合理且有说服力的。

    最大似然的模型，可以叫做零阶模型（名字是我自己杜撰的），而贝叶斯方法的模型可以叫做一阶模型，用同样的方法可以产生二阶、三阶以及更高阶的模型。前提是我们能够清晰的描述这些概率分布是如何从另一个概率分布中采样出来的。
　　一个问题是，这样的过程可以无限进行吗，任何实际的概率空间都可以这样吗，这样的过程都合理且有意义吗。 　　
　　我这里想说的是，至少有一种实际的测度，不需要再做这样的泛化了。这样的测度就是“宇宙的本质规律”，它赋予任何实在的事件以概率，而它不再是根据某个P*采样出来的了。解释有两点：第一，这些规律有唯一的取值，如果某个规律每次测量会变化，那么必有更高的不变的规律解释这样的变化，从而前者不是“本质规律”，后者才是；第二，如果非要假想有另一种赋值的宇宙规律，而由于我们只可能知道P下的一切，对这样的P*我们不可能有任何认识，所以这样的泛化是无意义的。　　
　　形而上学会讨论可能宇宙，会讨论或然宇宙中是否有必然存在物，会讨论宇宙的常数是被如何精巧的设定以至于很幸运地产生了现在的宇宙的样子。我想得出的结论是，除了现在的宇宙外我们一无所知，连宇宙之外的这个规律P*都不知道哪怕一点点，又如何谈论它和他所测量的空间Omega*的性质呢。在这个范围内的任何设定都不会与现实宇宙中的任何现象概率相关，在概率图中他们被我们“宇宙的本质规律”这个节点阻断了。可能有可能宇宙，但我们的宇宙与这个宇宙无关。

该问题是如何实现从训练样本中计算先验概率，如何得到未知样本的概率，然后去计算该后验概率。