概率密度函数的估计

本文介绍了概率密度函数的估计,重点讲解了极大似然估计的基本思想、求解过程以及正态分布下的应用。同时对比了贝叶斯估计,强调了它将先验知识融入估计的优势。
摘要由CSDN通过智能技术生成

之前的博客中已经提到,贝叶斯决策的基础是概率密度函数的估计,即根据一定的训练样本来估计统计决策中用到的先验概率 P ( w i ) P(w_i) P(wi)和类条件概率密度 p ( x ∣ w i ) p(x|w_i) p(xwi)
概率密度函数的估计分为参数估计和非参数估计。

极大似然估计

极大似然估计属于一种典型的参数估计法。
在最大似然估计(maximum likelihood estimation)中,我们做以下基本假设:

  1. 待估计参数 θ \theta θ是确定但未知的量;
  2. 每类中的样本满足独立同分布条件;
  3. 类条件概率密度 p ( x ∣ w i ) p(x|w_i) p(xwi)具有某种确定的函数形式,只是其中的参数未知;
  4. 不同类别的参数是独立的。

设样本集包含 N N N个样本,即 S = { x 1 , x 2 , . . . , x N } S=\{x_1,x_2,...,x_N\} S={ x1

评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值