最大似然估计程序c语言,极大似然估计(示例代码)

版权声明：本文为博主原创文章https://极大似然估计

?0?2 ?0?2 ?0?2 ?0?2 以前多次接触过极大似然估计，最近在看贝叶斯分类，总结如下：

贝叶斯决策

?0?2 ?0?2 ?0?2 ?0?2 首先来看贝叶斯分类

?0?2 ?0?2 ?0?2 ?0?2 其中：p(w)：为先验概率，表示在某种类别前提下，表示某事发生了，有了这个后验概率，说明某事物属于这个类别的可能性越大?0?2 ?0?2 ?0?2 ?0?2 我们来看一个直观的例子：已知：在夏季，女性穿凉鞋的概率为2/3，问题：若你在公园中随机遇到一个穿凉鞋的人?0?2 ?0?2 ?0?2 ?0?2 从问题看，某事发生了?0?2 ?0?2 ?0?2 ?0?2 设：

?0?2 ?0?2 ?0?2 ?0?2 由已知可得：

?0?2 ?0?2 ?0?2 ?0?2 男性和女性穿凉鞋相互独立(若只考虑分类问题，的取值并不重要)。

?0?2 ?0?2 ?0?2 ?0?2 由贝叶斯公式算出：

问题引出

?0?2 ?0?2 ?0?2 ?0?2 但是在实际问题中并不都是这样幸运的，而先验概率

和类条件概率(各类的总体分布)

都是未知的。根据仅有的样本数据进行分类时，然后再套用贝叶斯分类器。

?0?2 ?0?2 ?0?2 ?0?2 先验概率的估计较简单?0?2 ?0?2 ?0?2 ?0?2 类条件概率的估计(非常难)，把估计完全未知的概率密度