贝叶斯估计
更详细的可以参考:https://blog.csdn.net/liu1194397014/article/details/52766760
里面有很多简单的例子。
符号说明
符号 | 含义 |
---|---|
D | 已有数据 |
θ \theta θ | 待估计参数 |
p ( θ ) p(\theta) p(θ) | 先验概率 |
p ( θ ∥ D ) p(\theta\|D) p(θ∥D) | 后验概率 |
p ( D ) p(D) p(D) | 数据分布 |
p ( D ∥ θ ) p(D\|\theta) p(D∥θ) | 似然函数 |
p ( x , θ ∥ D ) p(x,\theta\|D) p(x,θ∥D) | 已知数据条件下的 x , θ x,\theta x,θ概率 |
贝叶斯定理
利用贝叶斯定理结合新的证据及以前的先验概率,得到新的概率提供了一种计算假设概率的方法,基于假设的先验概率,给定假设下观察到不同数据的概率以及观察到的数据本身。
贝叶斯估计将后验概率推导为二个前、先概率(考虑相关证据或数据前,某一事件不确定性的机率)及似然函数(由概率模型推导而得)的结果。贝叶斯推断根据贝叶斯定理计算后验概率:
P ( H ∣ E ) = P ( E ∣ H ) ⋅ P ( H ) P ( E ) P(H|E)= \frac{P(E|H)\cdot P(H)}{P(E)} P(H∣E)=P(E)P(E∣H)⋅