大家好，又见面了，我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。
Jetbrains全家桶1年46，售后保障稳定
摘要
本文是关于MLE(最大似然估计)与MAP(最大后验概率)的一些自己学习的心得.
(本文的重点在于对比MLE和MAP)
正文
1.MLE(最大似然估计)
MLE简单的理解可以这样:假设我们手上有一批数据(样本),而且我们假设这些数据(样本)服从某个分布( 模型已知),但是参数未知.这个时候,我们希望对这个参数进行估计,而MLE的思想就是找到一个参数值,使得每条样本出现的概率最大!
具体来说假设样本为 x1,x2.....xn x 1 , x 2 . . . . . x n ,待估计的参数为 θ θ .
那么要优化的目标为:
argmax P(x1,x2,...xn|θ)(0) (0) a r g m a x P ( x 1 , x 2 , . . . x n | θ )
假设每个样本间独立同分布那么我们有:
argmax ∏ni=1P(xi|θ)(1) (1) a r g m a x ∏ i = 1 n P ( x i | θ )
后面一般是取对数,把连乘转化成连加的形式更方便计算,后面就不展开了.
2.MAP(最大后验概率)
还是同样的场景:我们有一批数据(样本),我们假设其服从某个分布(模型已知),参数未知.但是,我们还有一个额外的信息就是,我们虽然不知道参数具体是多少,但是我们知道这个参数也服从某个分布,MAP就是加上这个条件后,去对我们的参数进行估计.
具体可以表现为:
argmax P(θ|x1,x2,...xn)(2) (2) a r g m a x P ( θ | x 1 , x 2 , . . . x n )
做一步贝叶斯公式有:
argmax P(θ|x1,x2,...xn)=P(x1,..xn|θ)P(θ)P(x1,x2...xn)(3) (3) a r g m a x P ( θ | x 1 , x 2 , . . . x n ) = P ( x 1 , . . x n | θ ) P ( θ ) P ( x 1 , x 2 . . . x n )
其中 P(θ) P ( θ ) 就是我们对 θ θ 的一个先验分布
对于分子,我们可以看到,其实就是先验分布和似然概率的乘积.
所以在经过几步的简单推导,我们可以得出MLE和MAP其实区别在于:
首先,我们不要忘了我们的目的,我的们目的是求模型中未知的参数!
1.MLE是通过直接最大化似然概率 P(x1,..xn|θ) P ( x 1 , . . x n | θ ) 来求解参数 θ θ ,而MAP是通过最大化似然概率×先验分布,即 P(x1,..xn|θ)P(θ) P ( x 1 , . . x n | θ ) P ( θ ) 来求解参数 θ θ .
那这里似乎透露着利用MAP来估计参数会不会使得模型更加的好?这就取决于我们的这个先验概率捏的准不准.
MLE和MAP的联系在于:
1.两者都是用于模型已知,参数未知下对参数进行估计的方法
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/230248.html原文链接：https://javaforall.net
