原创力文档- 1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
- 2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
第三章概率密度函数的
参数估计
3.0引言
贝叶斯分类器的学习:类条件概率密度函数的
估计。
问题的表示:已有c个类别的训练样本集合D1,
D2,∴,D,求取每个类别的类条件概率密
度p(xa)
概率密度函数的估计方法
参数估计方法:预先假设每一个类别的概
率密度函数的形式已知,而具体的参数未
知
最大似然估计(MLE, Maximum Likelihood
Estimation);
一贝叶斯估计( Bayesian Estimation)
非参数估计方法
31最大似然估计
独立同分布假设:样本集D中包含n个样本:x1,
2,…Xn,样本都是这同分布的随机变量
(iid, independent identically distributed)
对类条件概率密度函数的函数形式作出假设,参
数可以表示为参数矢量0:
P(x,0
似然函数
样本集D出现的概率
P(DO)=P(x,x2,,x0)=p(x, e)
对数似然函数:
1(0)=1np(D0)=∑np(x|0
最大似然估计
最大似然估计:寻找到一个最优矢量0,使
得似然函数l(0)最大。
0=arg maxi(0)
模式识别一概率密度函数的参数估计
正态分布的似然估计
Gauss分布的参数:由均值矢量μ和协方
差矩阵Σ构成,最大似然估计结果为:
∑(x,-)(x1-p)
32期望最大化算法(EM算法)
EM算法的应用可以分为两个方面
训练样本中某些特征丢失情况下,分布参数
的最大似然估计
2.对某些复杂分布模型假设,最大似然估计很
难得到解析解时的迭代算法
两个高斯函数的混合
p(x)=0.7N(-10,2)+0.3N(5,3)
007
0,06
003
002
文档评论（0）