MLE(最大似然估计)
一、PDF: Probability density function(概率密度函数)
假设数据y表示连续10次伯努利试验(例如投掷硬币10次)中的成功次数,并且任意一次试验的成功概率由参数w表示,为0.2。概率密度函数描述为:
二、Likelihood function(似然函数)
已知结果,反推各可能条件值的概率大小。
假设10次伯努利试验,成功了7次,可以得似然函数,即w的概率分布。
三、Maximum likelihood estimation(最大似然估计)
似然函数取最大值时的参数值。需要满足一阶导等于零,二阶导小于零。
可得参数w的值。
四、示例
w = (w1, w2)是参数向量,两个可能的模型:幂函数模型和指数函数模型。已知概率密度函数,判断哪个模型拟合得更好,并求解参数w。
两个模型的概率密度函数分别为(i=1, …, m. 表征时序性):
幂函数模型的对数似然函数(同理可得指数函数的对数似然函数(略)):
最大对数似然函数值越大,模型越合适。同时求出参数向量w的值。