最大似然估计MLE和最大后验概率MAP.doc

最大似然估计： 最大似然估计提供了一种给定观察数据来评估模型参数的方法，即：“模型已定，参数未知”。简单而言，假设我们要统计全国人口的身高，首先假设这个身高服从服从正态分布，但是该分布的均值与方差未知。我们没有人力与物力去统计全国每个人的身高，但是可以通过采样，获取部分人的身高，然后通过最大似然估计来获取上述假设中的正态分布的均值与方差。 最大似然估计中采样需满足一个很重要的假设，就是所有的采样都是独立同分布的。下面我们具体描述一下最大似然估计： 首先，假设为独立同分布的采样，θ为模型参数,f为我们所使用的模型，遵循我们上述的独立同分布假设。参数为θ的模型f产生上述采样可表示为 回到上面的“模型已定，参数未知”的说法，此时，我们已知的为，未知为θ，故似然定义为: 　　在实际应用中常用的是两边取对数，得到公式如下： 　　其中称为对数似然，而称为平均对数似然。而我们平时所称的最大似然为最大的对数平均似然，即： 举个别人博客中的例子，假如有一个罐子，里面有黑白两种颜色的球，数目多少不知，两种颜色的比例也不知。我 们想知道罐中白球和黑球的比例，但我们不能把罐中的球全部拿出来数。现在我们可以每次任意从已经摇匀的罐中拿一个球出来，记录球的颜色，然后把拿出来的球 再放回罐中。这个过程可以重复，我们可以用记录的球的颜色来估计罐中黑白球的比例。假如在前面的一百次重复记录中，有七十次是白球，请问罐中白球所占的比例最有可能是多少？很多人马上就有答案了：70%。而其后的理论支撑是什么呢？ 我们假设罐中白球的比例是p，那么黑球的比例就是1-p。因为每抽一个球出来，在记录颜色之后，我们把抽出的球放回了罐中并摇匀，所以每次抽出来的球的颜 色服从同一独立分布。这里我们把一次抽出来球的颜色称为一次抽样。题目中在一百次抽样中，七十次是白球的概率是P(Data | M)，这里Data是所有的数据，M是所给出的模型，表示每次抽出来的球是白色的概率为p。如果第一抽样的结果记为x1，第二抽样的结果记为x2...?那么Data = (x1,x2,…,x100)。这样， 　　　　P(Data | M) 　??　　　= P(x1,x2,…,x100|M) 　　　　　= P(x1|M)P(x2|M)…P(x100|M) 　　　　　= p^70(1-p)^30. 那么p在取什么值的时候，P(Data |M)的值最大呢？将p^70(1-p)^30对p求导，并其等于零。 　　　　70p^69(1-p)^30-p^70*30(1-p)^29=0。 　　　　解方程可以得到p=0.7。 在边界点p=0,1，P(Data|M)=0。所以当p=0.7时，P(Data|M)的值最大。这和我们常识中按抽样中的比例来计算的结果是一样的。 假如我们有一组连续变量的采样值（x1,x2,…,xn），我们知道这组数据服从正态分布，标准差已知。请问这个正态分布的期望值为多少时，产生这个已有数据的概率最大？ 　　　　P(Data | M) = ？ 根据公式 　　? 　　可得: 　　对μ求导可得?,则最大似然估计的结果为μ=(x1+x2+…+xn)/n 由上可知最大似然估计的一般求解过程： 　　（1） 写出似然函数； 　　（2） 对似然函数取对数，并整理； 　　（3） 求导数 ； 　　（4） 解似然方程 注意：最大似然估计只考虑某个模型能产生某个给定观察序列的概率。而未考虑该模型本身的概率。这点与贝叶斯估计区别。贝叶斯估计方法将在以后的博文中描述 本文参考 /wiki/Maximum_likelihood /html/y2010/1520.html 最大后验概率： 最大后验估计是根据经验数据获得对难以观察的量的点估计。与最大似然估计类似，但是最大的不同时，最大后验估计的融入了要估计量的先验分布在其中。故最大后验估计可以看做规则化的最大似然估计。 首先，我们回顾上篇文章中的最大似然估计，假设x为独立同分布的采样，θ为模型参数,f（pdf概率密度函数）为我们所使用的模型。那么最大似然估计可以表示为： 是先验pdf，是后验pdf。 由结果推出原因 现在，假设θ的先验分布为g。通过贝叶斯理论，对于θ的后验分布如下式所示： 最后验分布的目标为： 　　　　注：最大后验估计可以看做贝叶斯估计的一种特定形式。 　　举例来说： 　　假设有五个袋子，各袋中都有无限量的饼干(樱桃口味或柠檬口味)，已知五个袋子中两种口味的比例分别是 　　　　樱桃 100% 　　　　樱桃 75% + 柠檬 25% 　　　　樱桃 50% + 柠檬 50% 　　　　樱桃 25% + 柠檬 75% 　　　　柠檬 100% 　　如果只有如上所述条件，那问从同一个袋子中连续拿到2个柠檬饼干，那么这个袋子最有可能是上述五个的哪一个？ 我们首先采用最大似然估计来解这