概率密度函数的估计课件.pptVIP

第四章概率密度函数的估计v概率密度估计的基础知识v参数估计理论–极大似然估计（MLE）–贝叶斯估计（或称最大后验估计）–贝叶斯学习v非参数估计理论–密度估计–Parzen窗估计–K近邻估计（KNE）

§4-1概率密度估计的基础知识贝叶斯分类器中只要知道先验概率、条件概率或后验概概率P(ω),P(x/ω),P(ω/x)就可以设计iii分类器了。现在来研究如何用已知训练样本的信息去估计P(ω),P(x/ω),P(ω/x)一．参数估计与非参数估计iii参数估计：先假定研究的问题具有某种数学模型，如正态分布，二项分布，再用已知类别的学习样本估计里面的参数。非参数估计：不假定数学模型，直接用已知类别的学习样本的先验知识直接估计数学模型。

二．监督参数估计与非监督参数估计监督参数估计：样本所属的类别及类条件总体概率概率密度函数的形式已知，而表征概率密度函数的某些参数是未知的。目的在于：由已知类别的样本集对总体分布的某些参数进行统计推断，此种情况下的估计问题称为监督参数估计。非监督参数估计：已知总体概率密度函数形式但未知样本所属类别，要求推断出概率密度函数的某些参数，称这种推断方法为非监督情况下的参数估计。注：监督与非监督是针对样本所属类别是已知还是未知而言的。

三.参数估计的基本概念1.统计量：样本中包含着总体的信息，总希望通过样本集把有关信息抽取出来。也就是说，针对不同要求构造出样本的某种函数，该函数称为统计量。2.参数空间：在参数估计中，总假设总体概率密度函数的形式已知，而未知的仅是分布中的参数，将未知参数记为，于是将总体分布未知参数的全部可容许值组成的集合称为参数空间，记为。3.点估计、估计量和估计值：点估计问题就是构造一个统计量称为的估计量。若作为参数的估计，在统计学中是属于类别的几个样本观察值，代入统计量d就得到对于第i类的的具体数值，该数值就称为的估计值。

4.区间估计：除点估计外，还有另一类估计问题，要求用区间作为可能取值范围得一种估计，此区间称为置信区间，该类估计问题称为区间估计。5.参数估计方法：参数估计是统计学的经典问题，解决方法很多，在此只考虑两种常用方法：一种是最大似然估计方法，另一种是贝叶斯估计方法。(1)最大似然估计：把参数看作是确定而未知的，最好的估计值是在获得实际观察样本的最大的条件下得到的。(2)贝叶斯估计：把未知的参数当作具有某种分布的随机变量，样本的观察结果使先验分布转化为后验分布，再根据后验分布修正原先对参数的估计。6.参数估计的评价：评价一个估计的“好坏”，不能按一次抽样结果得到的估计值与参数真值的偏差大小来确定，而必须从平均和方差的角度出发进行分析，即关于估计量性质的定义。

§4-2参数估计理论一．极大似然估计假定：①待估参数θ是确定的未知量②按类别把样本分成M类X，X，，12X3…XM其中第i类的样本共N个Xi=(X,X,…X)T并且是独立从总体中抽取的12N③X中的样本不包含(i≠j)的信息，所以可以对每一i类样本独立进行处理。④第i类的待估参数根据以上四条假定，我们下边就可以只利用第i类学习样本来估计第i类的概率密度，其它类的概率密度由其它类的学习样本来估计。

1.一般原则：第i类样本的类条件概率密度：P(X原属于i类的学习样本为X求θ的极大似然估计就是把P(Xii)看成θi/ω)=P(Xi/ωiθi)=P(Xi/θi)ii=(X,X,…X,)Ti=1,2,…M12Nii的函数，求/θ出使它极大时的θi值。∵学习样本独立从总体样本集中抽取的∴N个学习样本出现概率的乘积取对数：

对θ求导,并令它为0：iP(Xi/θ)i有时上式是多解的,上图有5个解,只有一个解最大即.

2.多维正态分布情况①∑已知,μ未知,估计μ服从正态分布所以在正态分布时代入上式得所以，有这说明未知均值的极大似然估计正好是训练样本的算术平均。

②∑，μ均未知A.一维情况：n=1对于每个学习样本只有一个特征的简单情况：(n=1)由上式得即学习样本的算术平均样本方差

v讨论：1.正态总体均值的极大似然估计即为学习样本的算术平均2.正态总体方差的极大似然估计与样本的方差不同，当N较大的时候，二者的差别不大。B．多维情况：n个特征（推导过程，作为练习）估计值：结论：①μ的估计即为学习样本的算术平均②估计的协方差矩阵是矩阵平均（nⅹn阵列，nⅹn个值）的算术

二.贝叶斯估计极大似然估计是把待估的参数看作固定的未知量，而贝叶斯估计则是把待估的参数作为具有某种先验分布的随机变量，通过对第i类学习样本X的i观察，通过贝叶斯准则将概率密度分布P(X转化为后i/θ)验概率P(θ/