这几天学习在LDA,终于把其原理搞清楚了,记录一下要点
1. 参数估计和预测
对于一个已知模型,贝叶斯推理的两个大问题,
1.参数估计,主要方法有极大似然估计(MLE,Maximum likelihood estimation)和极大后验概率(MAP,Maximum a posteriori estimation),也可以直接求解P(/theta | X),其中X为已知数据集
2.预测方法, 即对于一个未知的特征向量x,求p(x|X)(假设样本之间满足iid条件,)
1.1极大似然估计
极大似然估计,定义了似然函数,直接对似然函数求解其最大值(求导,梯度法等)
当预测时,用估计值(单点)替代真实值(积分)
1.2 极大后验概率<