机器学习--最大期望估计算法理论

最新推荐文章于 2022-06-27 12:03:01 发布

我是疯子喽

最新推荐文章于 2022-06-27 12:03:01 发布

阅读量360

点赞数

文章标签：最大似然最大期望算法机器学习算法 python

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/weixin_35733800/article/details/105306172

版权

目录

一最大似然估计（MLE）

二最大后验估计（MAP）

三最大期望估计（EM）

2 算法原理（迭代最大似然估计）

3 算法流程（迭代最大似然估计）

一最大似然估计（MLE）

1 概念

假定参数先验概率相等，已知的样本结果，反推最大可能（最大概率）导致这样本结果的参数

$\theta = \underset{\theta }{max}\left \{p(x|\theta ) \right \}$

2 流程

第一步：似然函数

第二步：对似然函数求对数

第三步：求导数

第四步：解似然方程

二最大后验估计（MAP）

1 概念

假定参数先验概率不等，已知样本结果，反推最大可能（最大概率）导致这样本结果的参数

$\theta =\underset{\theta }{max}\left \{p(\theta )p(x|\theta ) \right \}$

三最大期望估计（EM）

1 概念

在概率模型中计算参数最大似然估计或者参数最大后验估计的迭代算法

注意：概率模型依赖无法观测的隐变量

2 原理（迭代最大似然估计）

第一步：极大化对数似然函数

$\underset{\theta }{max}\left \{ l(\theta)\right \} =\underset{\theta }{max}\left \{ \sum _{x}log(p(x|\theta )) \right \}$

第二步：存在隐变量 $z=\left \{ z^{1},z^{2},...,z^{k} \right \}$

最低0.47元/天解锁文章

我是疯子喽

关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
机器学习--最大期望估计算法理论

一最大似然估计（MLE）1 概念已知的样本结果，反推最大可能（最大概率）导致这样本结果的参数2 流程第一步：似然函数第二步：对似然函数求对数第三步：求导数第四步：解似然方程...
复制链接

扫一扫

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。