基于贝叶斯估计的概率公式推导

最新推荐文章于 2022-11-14 23:59:09 发布

zhuzhongzhuo

最新推荐文章于 2022-11-14 23:59:09 发布

阅读量1.9k

点赞数 1

分类专栏：数学算法文章标签：贝叶斯估计 Dirichlet分布朴素贝叶斯

本文链接：https://blog.csdn.net/zhuzhongzhuo/article/details/96431473

版权

数学同时被 2 个专栏收录

5 篇文章 0 订阅

订阅专栏

算法

4 篇文章 0 订阅

订阅专栏

统计学习方法第四章贝叶斯估计题

参考1：https://blog.csdn.net/bumingqiu/article/details/73397812

参考2：https://blog.csdn.net/bitcarmanlee/article/details/82156281

一、第一个公式：

$p(Y=c_{k} )=\frac{\lambda+\sum_{i=1}^{N} {I(y_{i}=c_{k})}}{N+K\lambda}, (1)$

其中， $c_{k}$ 为第 $k$ 种类别，共有 $K$ 种； $N$ 为样本数目；

证：

设 $p(Y=c_{i})=\pi_{i},i\in [1,K]$ ，且 $(\pi_{1},\pi_{2},...,\pi_{K})$ 服从参数为 $\lambda$ 的Dirichlet分布（先验分布），则有概率质量函数（即离散变量的概率密度函数）如下：

$\large p(\pi_{1},\pi_{2},...,\pi_{K})=\frac{1}{B(\lambda)}\prod_{i=1}^{K}\pi_{i}^{\lambda-1},(2)$ ;

（2）式可改写成：

$\large p(\pi_{1},\pi_{2},...,\pi_{K})\propto \prod_{i=1}^{K}\pi_{i}^{\lambda-1},(3)$

设 $M_{j},j\in[1,K]$ 为各类别的观测数，有：

$M_{j}=\sum_{i=1}^{N}I(y_{i}=c_{j}),j\in[1,K],(4)$

则根据观测数据对先验分布改进如下：

$\large p(\overrightarrow{\pi}|\overrightarrow{M})=\frac{p(\overrightarrow{M}|\overrightarrow{\pi})p(\overrightarrow{\pi})}{p(\overrightarrow{M})},(5)$

其中， $\large \overrightarrow{\pi}=(\pi_{1},\pi_{2},...,\pi_{K}),\overrightarrow{M}=(M_{1},M_{2},...,M_{K})$ ，又 $\large p(\overrightarrow{M})$ 是与 $\large \pi$ 无关的量，故（5）式可写为：

$\large p(\overrightarrow{\pi}|\overrightarrow{M})\propto p(\overrightarrow{M}|\overrightarrow{\pi})p(\overrightarrow{\pi}),(6)$

设 $\large p(\overrightarrow{M}|\overrightarrow{\pi})$ 服从多项分布，则有：

$\large p(\overrightarrow{M}|\overrightarrow{\pi})=\frac{N!}{\prod_{j=1}^{K}M_{j}!}\prod_{j=1}^{K}\pi_{j}^{M_{j}},j\in[1,K],(7)$

(7)式可改写成：

$\large p(\overrightarrow{M}|\overrightarrow{\pi})\propto \prod_{j=1}^{K}\pi_{j}^{M_{j}},j\in[1,K],(8)$

将(3)式和(8)式带入(6)式，可得：

$\large p(\overrightarrow{\pi}|\overrightarrow{M})\propto \prod_{j=1}^{K}\pi_{j}^{M_{j}+\lambda-1},(9)$

因此得出结论， $\large \overrightarrow{\pi}$ 的后验概率 $\large p(\overrightarrow{\pi}|\overrightarrow{M})$ 服从参数为 $\large M_{j}+\lambda$ 的Dirichlet分布：

故 $\large \overrightarrow{\pi}$ 的期望有(Dirichlet分布期望公式):

$\large E(\overrightarrow{\pi})=(\frac{M_{1}+\lambda}{\sum_{j=1}^{K}(M_{j}+\lambda)},\frac{M_{2}+\lambda}{\sum_{j=1}^{K}(M_{j}+\lambda)},...,\frac{M_{K}+\lambda}{\sum_{j=1}^{K}(M_{j}+\lambda)}),(10)$

即有：

$\large E(\pi_{j})=\frac{M_{j}+\lambda}{\sum_{j=1}^{K}(M_{j}+\lambda)}\Leftrightarrow p(Y=c_{k})=\frac{\sum_{i=1}^{N}I(y_{i}=c_{k})+\lambda}{N+K\lambda},(11)$

故原式得证。

二、第二个公式

$p(X^{j}=a_{jl_{j}}|Y=c_{k})=\frac{\sum_{i=1}^{N}I(x_{i}^{j}=a_{jl_{j}},y_{i}=c_{k})+\lambda}{\sum_{i=1}^{N}I(y_{i}=c_{k})+S_{j}\lambda},j\in[1,n],l_{j}\in[1,S_{j}],k\in[1,K],(1)$

其中， $X_{i}^{j}$ 表示第 $i$ 个样本的第 $j$ 维特征值， $S_{j}$ 表示第 $j$ 维特征可取值个数, $n$ 表示特征维数， $K$ 表示类别数， $N$ 为样本数；

证明:

参考第一个公式的证明，设：

$p(X^{j}=a_{jl_{j}}|Y=c_{k})=\pi_{l_{j}},l_{j}\in[1,S_{j}]$ ，且 $(\pi_{1},\pi_{2},...,\pi_{S_{j}})$ 服从参数为 $\lambda$ 的Dirichlet分布（先验分布），则有概率质量函数（即离散变量的概率密度函数）如下：

$\large p(\pi_{1},\pi_{2},...,\pi_{S_{j}})=\frac{1}{B(\lambda)}\prod_{l_{j}=1}^{S_{j}}\pi_{l_{j}}^{\lambda-1},(2)$

(2)是可改写为：

$\large p(\pi_{1},\pi_{2},...,\pi_{S_{j}})\propto \prod_{l_{j}=1}^{S_{j}}\pi_{l_{j}}^{\lambda-1},(3)$

设 $M_{jl_{j}},j\in[1,n]$ 为第 $j$ 维度 $l_{j}$ 种特征值的观测数，有：

$M_{jl_j}}=\sum_{i=1}^{N}I(x_{i}^{j}=a_{jl_{j}},y_{i}=c_{k}),j\in[1,n],l_{j}\in[1,S_{j}],(4)$

根据观测数据对(3)式进行改进如下：

$\large p(\overrightarrow{\pi}|\overrightarrow{M})=\frac{p(\overrightarrow{M}|\overrightarrow{\pi})p(\overrightarrow{\pi})}{p(\overrightarrow{M})},(5)$

其中， $\large \overrightarrow{\pi}=(\pi_{1},\pi_{2},...,\pi_{S_{j}}),\overrightarrow{M}=(M_{j1},M_{j1},...,M_{jS_{j}})$ ，又 $\large p(\overrightarrow{M})$ 是与 $\large \pi$ 无关的量，故（5）式可写为：

$\large p(\overrightarrow{\pi}|\overrightarrow{M})\propto p(\overrightarrow{M}|\overrightarrow{\pi})p(\overrightarrow{\pi}),(6)$

设 $\large p(\overrightarrow{M}|\overrightarrow{\pi})$ 服从多项分布，则有：

$\large p(\overrightarrow{M}|\overrightarrow{\pi})=\frac{\Gamma (\sum_{i=1}^{N}I(y_{i}=c_{k}))}{\prod_{l_{j}=1}^{S_{j}}\Gamma (M_{jl_{j}})}\prod_{l_{j}=1}^{S_{j}}\pi_{l_{j}}^{M_{jl_{j}}},j\in[1,n],l_{j}\in[1,S_{j}],(7)$

(7)式可改写为：

$\large p(\overrightarrow{M}|\overrightarrow{\pi})\propto \prod_{l_{j}=1}^{S_{j}}\pi_{l_{j}}^{M_{jl_{j}}},j\in[1,n],l_{j}\in[1,S_{j}],(8)$

将(3)式和(8)式带入(6)式，则有：

$\large p(\overrightarrow{\pi}|\overrightarrow{M})\propto \prod_{l_{j}=1}^{S_{j}}\pi_{l_{j}}^{M_{jl_{j}}+\lambda-1},(9)$

因此得出结论， $\large \overrightarrow{\pi}$ 的后验概率 $\large p(\overrightarrow{\pi}|\overrightarrow{M})$ 服从参数为 $\large M_{jl_{j}}+\lambda$ 的Dirichlet分布：

故 $\large \overrightarrow{\pi}$ 的期望有(Dirichlet分布期望公式):

$\large E(\overrightarrow{\pi})=(\frac{M_{i1}+\lambda}{\sum_{l_{j}=1}^{S_{j}}(M_{jl_{j}}+\lambda)},\frac{M_{j2}+\lambda}{\sum_{l_{j}=1}^{S_{j}}(M_{jl_{j}}+\lambda)},...,\frac{M_{jS_{j}}+\lambda}{\sum_{l_{j}=1}^{S_{j}}(M_{jl_{j}}+\lambda)}),(10)$

即有：

$\large E(\pi_{l_{j}})=\frac{M_{jS_{j}}+\lambda}{\sum_{l_{j}=1}^{S_{j}}(M_{jl_{j}}+\lambda)}\Leftrightarrow p(X^{j}=a_{jl_{j}}|Y=c_{k})=\frac{\sum_{i=1}^{N}I(x_{i}^{j}=a_{jl_{j}},y_{i}=c_{k})+\lambda}{\sum_{i=1}^{N}I(y_{i}=c_{k})+S_{j}\lambda},(11)$

于是，原式得证。

zhuzhongzhuo

关注

1
点赞
踩
12

收藏

觉得还不错? 一键收藏
0
评论
基于贝叶斯估计的概率公式推导

统计学习方法第四章贝叶斯估计题参考1：https://blog.csdn.net/bumingqiu/article/details/73397812参考2：https://blog.csdn.net/bitcarmanlee/article/details/82156281一、第一个公式：其中，为第种类别，共有种；为样本数目；证：设，且服从参数为的Dirichl...
复制链接

扫一扫