统计学习（1）

概率

先验概率：根据以前的经验，提前知道的事件概率;如：今天下雨的概率;
后验概率：由果及因，后知后觉，概率时间的结果推测原因起作用的概率;如，今天下雨，求有乌云的概率;
似然概率：由因及果，似然likehood自然的推测，都是知道原因，求原因造成结果发生的概率。如：今天阴天，求下雨的概率。

基本概率公式
加法规则： $P(x)={\sum }_{y}P(x,y)$
乘法规则： $P(x,y)=P(x)P(y|x)$
全概率公式：$P(B)={\sum }_{i=1}^{n}P(A_i)P(B|A_i)$

似然函数
似然函数是一种关于统计模型参数的函数。给定输出时，关于参数$\theta$的似然函数$L(\theta |x)$等于给定参数$\theta$后变量$x$的概率。
离散： $L(\theta |x)=P(X=x|\theta )$
连续： $L(\theta |x)=f_{\theta }(x)=f(x|\theta )$, $f(x|\theta )$不是条件概率密度函数。

概率描述了已知参数时的随机变量的输出结果。
似然则是用来描述已知随机变量输出结果时，未知参数的可能取值。

在统计学中，似然函数是一种关于统计模型参数的函数，表示模型参数的似然性。

贝叶斯公式
假设随机变量X表示数据，随机变量$\theta$表示模型参数，计算后验概率$P(\theta ,X)$：
$$P(\theta ,X)=\frac{P(\theta )P(X|\theta )}{P(X)}=\frac{P(\theta )P(X|\theta )}{{\sum }_{\theta }P(X,\theta )}=\frac{P(\theta )P(X|\theta )}{{\sum }_{\theta }P(\theta )P(X|\theta )}$$

其中$P(\theta )$是先验概率，$P(D|\theta )$是似然函数。

贝叶斯统计的估计
$\bullet$ 确定$\theta$的先验分布密度： $P(\theta )$;
$\bullet$ 样本独立同分布，且已知样本密度形式$P(x|\theta )$, 样本集的联合分布$P(x|\theta )={\sum }_{i=1}^{n}P(x_i|\theta )$
$\bullet$ 利用贝叶斯公式求$\theta$后验概率：$P(\theta |x)=\frac{P(x|\theta )P(\theta )}{{\int }_{\theta }\theta P(\theta |x)d\theta }$
$\bullet$ 求贝叶斯的估计量 ${\theta }^{\ast }={\int }_{\theta }\theta P(\theta |x)d\theta ={\int }_{\theta }{P}_{\theta }(x)d\theta$

模型学习

1. 适用条件是什么？
2. 解决什么问题？
3. 对应的统计学习三要素？

统计学习的三要素：
假设空间：包含所有可能的条件概率分布或决策函数。
策略：按照什么样的准则学习或选择最优模型。（损失函数）
求解算法：使用什么样的计算方法求解最优模型。（求解参数）

在监督学习中，概率模型是生成模型;非概率模型是判别模型。

监督学习的实现步骤

1. 得到一个有限数据集和;
2. 确定模型的的假设空间，即所有的备选模型;
3. 确定模型选择的准则，即学习策略;
4. 实现求解最优化模型的算法;
5. 通过学习方法选择最优模型;
6. 利用学习的最优模型对新数据进行预测或分析。

训练集： T = { ( x 1 , y 1 ) , ( x 2 , y 2 ) , … , ( x n , y n ) } T=\{(x_1,y_1), (x_2,y_2),\ldots,(x_n,y_n)\} T={(x1​,y1​),(x2​,y2​),…,(xn​,yn​)}
实例$x$的特征向量：$x=(x^{(1)},x^{(2)},\dots ,x^{(n)}{)}^T$
模型：
7. 决策函数： $Y=f(x)$
预测形式： $y=f(x)$
8. 条件概率分布：$P(Y|X)$
预测形式：$argmax(P(y|x))$