本文介绍了PR考试复习中的非参数估计，特别是密度估计的重要性。讨论了最大似然估计和贝叶斯估计在正态分布假设下的局限性，并详细阐述了非参数估计的优势和不足。密度估计通过限制观测区域的大小来保证估计的准确性，包括参数窗估计和K近邻估计两种方法。文章强调了样本数量和观测区域大小对估计精度的影响，并预告了后续将深入探讨的具体计算公式。
PR考试复习，刚好顺便整理一下。
贝叶斯估计，贝叶斯决策，它是个标准，评估的标准。
但是，用好它不容易，高维空间，估计出每个样本的概率密度分布不容易，
参数估计：
最大斯然估计，贝叶斯估计；前提，都是假设它是 正态分布，高斯分布。（ps:单值；不能处理多值情况）
但是如果，现实生活中它本身就不是正态分布,你这样估计就是不合理的。
非参数估计：（也可以处理多值）
可以用来估计条件概率密度（即似然），也可以直接用来估计后验。我们最重要的是介绍密度估计。
非参数估计：
优点：理论上，对任何数据都可以；可以用来估计似然，也可以直接用来估计后验。
直观，直接编程。不需要先验的知识，不需要知道数据的分布的形式。（VS：参数估计，）
缺点：但是当 样本非常少时，估计的不准 （样本要足够多。）
最
最低0.47元/天 解锁文章
2378
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
