关于Maximum Likelihood Estimate(极大似然估计)的思考

本文介绍了最大似然估计(MLE)的起源及其在遗传学中的应用背景,并对比了线性回归与逻辑回归(LR)的不同之处。通过对两种回归方法的解析,帮助读者理解LR参数的经典解法——MLE的基本原理。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

一、MLE提出的背景

    通过维基百科查询得知,MLE由遗传学家及统计学家罗纳德.费雪在1912年至1922年间开始使用。由此联想到MLE的遗传学背景,在遗传学中,显性研究即为最大可能性研究,通过对于各独立个体计算发生或者存活概率,来确定最后显著表达的群体。

   在多个独立个体求集体存活的概率时,即为数学中的样本相互独立条件下,求此组样本的联合概率分布。通过当联合概率分布达到最大值时,求得对应的参数。

二、对比线性回归与LR

    线性回归:以最小化因变量实际值与估计值的均方,来求得对应的自变量参数与常量。

    LR:可以视为线性回归的一种映射,将因变量的变化范围压缩至0-1。在LR的参数求解时,可以通过对p(y=1|w)与p(y=0|w)的比值取对数,可获得类似于线性回归表达式形式,可通过线性回归的The Least Square Method(最小二乘法)来求解参数。

    对于LR参数的经典解法ML,采用MLE的背景来进行理解。假定每个样本相互独立,通过连乘求得联合概率分布,对联合概率分布进行极大值求导,选取最大值情况下求对应的参数值。

### 极大似然估计的概念、原理及应用 #### 定义与概念 极大似然估计Maximum Likelihood Estimation, MLE)是一种用于参数估计的重要方法,在统计学和机器学习领域广泛应用。该方法通过最大化样本数据发生的概率来寻找最有可能产生观测数据的模型参数值。 MLE 的核心思想是在给定一组观察到的数据的情况下,找到使得这组数据出现可能性最大的模型参数配置[^1]。 #### 数学表达形式 假设有一个独立同分布 (i.i.d.) 的样本集 \(X_1, X_2,...,X_n\) 来自某个未知分布 \(f(x|\theta)\),其中 \(\theta\) 是待估参数,则联合密度函数可以表示为: \[L(\theta|X)=\prod_{i=1}^{n} f(X_i|\theta)\] 为了简化计算过程,通常取对数似然函数: \[l(\theta|X) = log(L(\theta|X))=\sum_{i=1}^{n}\log(f(X_i|\theta))\] 目标就是求解使上述对数似然达到最大值时对应的 \(\hat{\theta}_{ML}\)。 ```python import numpy as np from scipy.optimize import minimize def negative_log_likelihood(params, data): mu, sigma = params nll = -np.sum(-0.5 * ((data - mu)**2 / sigma**2 + np.log(2*np.pi*sigma**2))) return nll initial_guess = [0, 1] result = minimize(negative_log_likelihood, initial_guess, args=(data,)) mle_estimate_mu, mle_estimate_sigma = result.x print("Estimated mean:", mle_estimate_mu) print("Estimated standard deviation:", mle_estimate_sigma) ``` 这段 Python 代码展示了如何利用 `scipy` 库中的优化工具实现一维高斯分布的最大似然估计。 #### 场景应用 - **线性回归**: 当误差项服从正态分布时,最小二乘法实际上是极大似然估计的一种特殊情况。 - **逻辑回归**: 对于二元分类问题,可以通过极大化伯努利分布下的条件概率来进行参数估计。 - **混合模型**: 如高斯混合模型中,EM 算法迭代更新的过程也包含了极大似然的思想[^2].
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值