![c31d42a9ec9147b555c9a06d18feeb33.png](https://i-blog.csdnimg.cn/blog_migrate/ae8c778484a6172a12f6a493a1f93604.jpeg)
举例说明:
某硬币的投掷结果服从分布。实验中, 该硬币被投掷了6次,结果是
={H,H,T,H,T,H},求参数
![]()
该问题下的先验概率是
后验概率是
条件概率
给定结果
因为根据贝叶斯定理,先验概率和后验概率满足:
所以(1)代入(2),并且
根据频率学派的观点,参数
因为似然函数正比于条件概率,所以对似然函数的优化相当于对条件概率的优化。此处似然函数可以展开为:
变成log-likelihood优化即可,不再赘述
举例说明:
某硬币的投掷结果服从分布。实验中, 该硬币被投掷了6次,结果是
={H,H,T,H,T,H},求参数
![]()
该问题下的先验概率是
后验概率是
条件概率
给定结果
因为根据贝叶斯定理,先验概率和后验概率满足:
所以(1)代入(2),并且
根据频率学派的观点,参数
因为似然函数正比于条件概率,所以对似然函数的优化相当于对条件概率的优化。此处似然函数可以展开为:
变成log-likelihood优化即可,不再赘述