MLE、MAP、以及Bayes公式

转载自 nebulaf91的专栏 。
原贴地址：http://blog.csdn.net/u011508640/article/details/72815981。
这里把公式的排版弄清晰了方便阅读。

前言

最大似然估计（Maximum Likelihood Estimation, 简称 MLE）和最大后验概率估计（Maximum A Posteriori Estimation, 简称 MAP）是很常用的两种参数估计方法，如果不理解这两种方法的思路，很容易弄混它们。下文将详细说明MLE和MAP的思路与区别。

但别急，我们先从概率和统计的区别讲起。

概率和统计是一个东西吗？

概率（Probabilty）和统计（Statistics）看似两个相近的概念，其实研究的问题刚好相反。

概率研究的问题是，已知一个模型和参数，怎么去预测这个模型产生的结果的特性（例如均值，方差，协方差等等）。 举个例子，我想研究怎么养猪（模型是猪），我选好了想养的品种、喂养方式、猪棚的设计等等（选择参数），我想知道我养出来的猪大概能有多肥，肉质怎么样（预测结果）。

统计研究的问题则相反。统计是，有一堆数据，要利用这堆数据去预测模型和参数。仍以猪为例。现在我买到了一堆肉，通过观察和判断，我确定这是猪肉（这就确定了模型。在实际研究中，也是通过观察数据推测模型是／像高斯分布的、指数分布的、拉普拉斯分布的等等），然后，可以进一步研究，判定这猪的品种、这是圈养猪还是跑山猪还是网易猪，等等（推测模型参数）。

一句话总结：概率是已知模型和参数，推数据。统计是已知数据，推模型和参数。

显然，本文解释的 MLE 和 MAP 都是统计领域的问题。它们都是用来推测参数的方法。为什么会存在着两种不同方法呢？ 这需要理解贝叶斯思想。我们来看看贝叶斯公式。

贝叶斯公式到底在说什么？

学习机器学习和模式识别的人一定都听过贝叶斯公式(Bayes’ Theorem)：

$$P\left(A|B\right)=\frac{P\left(B|A\right)P\left(A\right)}{P\left(B\right)}\text{\hspace{1em}(1)}$$

贝叶斯公式看起来很简单，无非是倒了倒条件概率和联合概率的公式。

把 $B$ 展开，可以写成：

$$P\left(A|B\right)=\frac{P\left(B|A\right)P\left(A\right)}{P\left(B|A\right)P\left(A\right)+P\left(B|\sim A\right)P\left(\sim A\right)}\text{\hspace{1em}(2)}$$
“$\sim A$” 表示 “非$A$”。这个式子就很有意思了。

想想这个情况。一辆汽车（或者电瓶车）的警报响了，你通常是什么反应？有小偷？撞车了？ 不。 你通常什么反应都没有。因为汽车警报响一响实在是太正常了！每天都要发生好多次。本来，汽车警报设置的功能是，出现了异常情况，需要人关注。然而，由于虚警实在是太多，人们渐渐不相信警报的功能了。

贝叶斯公式就是在描述，你有多大把握能相信一件证据？（how much you can trust the evidence）

我们假设响警报的目的就是想说汽车被砸了。把 $A$ 计作“汽车被砸了”，$B$ 计作“警报响了”，带进贝叶斯公式里看。我们想求等式左边发生 $A\mid B$ 的概率，这是在说警报响了，汽车也确实被砸了。汽车被砸 引起（trigger） 警报响，即 $B\mid A$ 。但是，也有可能是汽车被小孩子皮球踢了一下、被行人碰了一下等其他原因（统统计作 $\sim A$ ），其他原因引起汽车警报响了，即 $B|\sim A$。那么，现在突然听见警报响了，这时汽车已经被砸了的概率是多少呢（这即是说，警报响这个证据有了，多大把握能相信它确实是在报警说汽车被砸了）？想一想，应当这样来计算。用警报响起、汽车也被砸了这事件的数量，除以响警报事件的数量（这即式(1) ）。进一步展开，即警报响起、汽车也被砸了的事件的数量，除以警报响起、汽车被砸了的事件数量加上警报响起、汽车没被砸的事件数量（这即式(2)）。

可能有点绕，请稍稍想一想。

再思考式(2) 。想让 $P(A|B)=1$，即警报响了，汽车一定被砸了，该怎么做呢？让 $P(B|\sim A)=0$ 即可。很容易想清楚，假若让$P(\sim A)=0$，即杜绝了汽车被球踢、被行人碰到等等其他所有情况，那自然，警报响了，只剩下一种可能——汽车被砸了。这即是提高了响警报这个证据的说服力。

从这个角度总结贝叶斯公式：做判断的时候，要考虑所有的因素。 老板骂你，不一定是你把什么工作搞砸了，可能只是他今天出门前和太太吵了一架。

再思考式(2) 。观察式(2) 右边的分子 $P(B|A)$ 为汽车被砸后响警报的概率。姑且仍为这是1吧。但是，若 $P(A)$ 很小，即汽车被砸的概率本身就很小，则 $P(B|A)P(A)$ 仍然很小，即式(2)右边分子仍然很小，$P(A|B)$ 还是大不起来。 这里，$P(A)$ 即是常说的先验概率，如果A的先验概率很小，就算 $P(B|A)$ 较大，可能 $A$ 的后验概率$P(A|B)$ 还是不会大（假设 $P(B|\sim A)P(\sim A)$ 不变的情况下）。

从这个角度思考贝叶斯公式：一个本来就难以发生的事情，就算出现某个证据和他强烈相关，也要谨慎。证据很可能来自别的虽然不是很相关，但发生概率较高的事情。 发现刚才写的代码编译报错，可是我今天状态特别好，这语言我也很熟悉，犯错的概率很低。因此觉得是编译器出错了。 ————别，还是先再检查下自己的代码吧。

好了好了，说了这么多，下面言归正传，说一说MLE。

——————不行，还得先说似然函数（likelihood function）

最大似然估计（MLE）

假设有一个造币厂生产某种硬币，现在我们拿到了一枚这种硬币，想试试这硬币是不是均匀的。即想知道抛这枚硬币，正面出现的概率（记为 $\theta$ ）是多少？

这是一个统计问题，回想一下，解决统计问题需要什么？ 数据！

于是我们拿这枚硬币抛了 $10$ 次，得到的数据（$x_0$）是：反正正正正反正正正反。我们想求的正面概率 $\theta$ 是模型参数，而抛硬币模型我们可以假设是 二项分布。

那么，出现实验结果 $x_0$（即反正正正正反正正正反）的似然函数是多少呢？
$$f(x_0,\theta )=(1-\theta )\cdot \theta \cdot \theta \cdot \theta \cdot \theta \cdot (1-\theta )\cdot \theta \cdot \theta \cdot \theta \cdot (1-\theta )=(1-\theta {)}^3\cdot {\theta }^7=f(\theta )$$
注意，这是个只关于 $\theta$ 的函数。而最大似然估计，顾名思义，就是要最大化这个函数。我们可以画出 $f(\theta )$ 的图像：

可以看出，在 $\theta =0.7$ 时，似然函数取得最大值。

这样，我们已经完成了对 $\theta$ 的最大似然估计。即，抛10次硬币，发现7次硬币正面向上，最大似然估计认为正面向上的概率是 $0.7$ 。（ummm…这非常直观合理，对吧？）

且慢，一些人可能会说，硬币一般都是均匀的啊！ 就算你做实验发现结果是“反正正正正反正正正反”，我也不信 $\theta =0.7$ 。

这里就包含了贝叶斯学派的思想了——要考虑先验概率。 为此，引入了最大后验概率估计。

最大后验概率估计

最大似然估计是求参数 $\theta$ , 使似然函数 $P(x_0|\theta )$ 最 大 。 最大后验概率估计则是想求 $\theta$ 使 $P(x_0|\theta )P(\theta )$ 最大。求得的 $\theta$ 不单单让似然函数大，$\theta$ 自己出现的先验概率也得大。（这有点像正则化里加惩罚项的思想，不过正则化里是利用加法，而MAP里是利用乘法）

MAP其实是在最大化$P(\theta |x_0)=\frac{P(x_0|\theta )P(\theta )}{P(x_0)}$，不过因为 $x_0$ 是确定的（即投出的“反正正正正反正正正反”），$P(x_0)$ 已知值，所以去掉了分母 $P(x_0)$ ，假设“投10次硬币”是一次实验，实验做了1000次，“反正正正正反正正正反”出现了 $n$ 次，则 $P(x_0)=n/1000$ 。总之，这是一个可以由数据集得到的值。）

最大化 $P(\theta |x_0)$ 的意义也很明确，$x_0$ 已经出现了，要求 $\theta$ 取什么值使 $P(\theta |x_0)$ 最大。顺带一提，$P(\theta |x_0)$ 即后验概率，这就是“最大后验概率估计”名字的由来。
​
对于投硬币的例子来看，我们认为（”先验地知道“）$\theta$ 取0.5的概率很大，取其他值的概率小一些。我们用一个高斯分布来具体描述我们掌握的这个先验知识，例如假设 $P(\theta )$ 为均值 $0.5$，方差 $0.1$ 的高斯函数，如下图：

则 $P(x_0|\theta )P(\theta )$ 的函数图像为：

注意，此时函数取最大值时， $\theta$ 取值已向左偏移，不再是 $0.7$ 。实际上，在$\theta =0.558$ 时函数取得了最大值。即，用最大后验概率估计，得到 $\theta =0.558$ 。

最后，那要怎样才能说服一个贝叶斯派相信 $\theta =0.7$ 呢？你得多做点实验。

如果做了 $1000$ 次实验，其中 $700$ 次都是正面向上，这时似然函数为：

如果仍然假设 $P(\theta )$ 为均值 $0.5$ ，方差 $0.1$ 的高斯函数，$P(x_0|\theta )P(\theta )$ 的函数图像为：

在 $\theta =0.696$ 处，$P(x_0|\theta )P(\theta )$ 取得最大值。

这样，就算一个考虑了先验概率的贝叶斯派，也不得不承认得把 $\theta$ 估计在 $0.7$ 附近了。

PS. 要是遇上了顽固的贝叶斯派，认为 $P(\theta =0.5)=1$ ，那就没得玩了。。 无论怎么做实验，使用MAP估计出来都是 $\theta =0.5$。这也说明，一个合理的先验概率假设是很重要的。（通常，先验概率能从数据中直接分析得到）

最大似然估计和最大后验概率估计的区别

相信读完上文，MLE和MAP的区别应该是很清楚的了。MAP就是多个作为因子的先验概率 $P(\theta )$ 。或者，也可以反过来，认为MLE是把先验概率 $P(\theta )$ 认为等于 $1$，即认为 $\theta$ 是均匀分布。