AI笔记: 数学基础之极大似然估计

Wang's Blog Wang's Blog 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 700+累计阅读 743平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄12年
关注
原创 最新推荐文章于 2026-07-10 13:46:34 发布 743 阅读 AI 写同款· GEO 优化 ›

极大似然估计法

  • 极大似然估计法是在总体的分布类型已知的条件下所使用的一种参数估计方法
  • 它首先是由德国数学家Gauss在1821年提出的，然而，这个方法常归功于英国统计学家Fisher
  • Fisher在1922年重新发现了这一方法，并首先研究了这种方法的一些性质

极大似然原理

  • 一个随机试验有若干个可能结果A，B，C, …。若在一次试验中，结果A发生，则一般认为试验条件对A最有利，即A发生的概率P(A/θ)P(A/\theta)P(A/θ)
了解本专栏 订阅专栏 解锁全文 超级会员免费看
收录于
Mathematics

当前文章被收录于：

Mathematics
51 篇文章 4 人学习
订阅专栏 查看详情
标签
#AI #数学 #极大似然估计
机器学习笔记（二）矩估计，极大似然估计 1.参数估计：矩估计样本统计量设X1,X2…Xn…X_1,X_2…X_n…为一组样本，则 - 样本均值 : X¯¯¯=1n∑i=1nXi\overline{X} = \frac{1}{n}\sum^n_{i=1}X_i - 样本方差：S2=1n−1∑i=1n(Xi−X¯¯¯)2S^2 = \frac{1}{n-1}\sum_{i=1}^n(X_i-\overline{X})^2 阅读详情

相关推荐

最小二乘与极大似然估计

两者思想的差异 最小二乘估计与极大似然估计都是用来样本值来估计真实值的，之所以需要估计，是因为用数学量化真实世界事物关系时总是存在误差。 我们尽管痛苦的承认了有不能解释的误差，但是我们依然想尽可能的让这种『不被解释』的误差程 度最小，于是我们就想最小化区种不被解程的程度。因为点可能在线的上面或者下面，故而距离有 正有负，取绝对值又大麻烦，于是我们就直接把每个距旁都取一个平方变成正的，然后试图找出一 个距离所有点的距离的平方最小的这条线 这就是最小二乖法°、了，简单粗暴而有效。 而极大似然则更加的有哲

卢平光的博客 5848

人工智能之数学基础 概率论与统计：第三章 参数估计

参数估计是从观测数据中推断未知分布参数的核心任务。本文系统介绍两种主流方法——极大似然估计（Maximum Likelihood Estimation, MLE）和极大后验估计（Maximum A Posteriori, MAP），对比其思想、数学形式、优缺点，并提供完整的Python 代码实现（含可视化）。方法公式优点缺点MLE无偏（大样本）、计算简单小样本易过拟合、无先验信息MAP引入先验、抗过拟合、等价于正则化依赖先验选择、可能有偏💡实践建议数据量大 → MLE 足够；

咚咚王者的博客 991

人工智能之参数估计

参数估计、点估计、极大似然估计

WEL测试 1979

人工智能之数学基础：极大似然估计

极大似然估计法是在总体的分布类型已知的前提下使用的一种参数估计法，也就是说你必须知道总体分布是什么。设总体X的概率函数为p(x,θ)，这是样本x是离散型的情况，连续型时为概率密度函数为f(x, θ),X1,X2,…,Xn是抽自总体X的随机样本。p(x,θ）或者f(x,θ)表示是在参数θ下样本x出现的概率或者概率密度。注意：联合概率就是同时发生的概率，所以要用乘法。如上所示就是样本的联合概率函数或者是联合概率密度函数，在这个函数中θ是未知数，但是一个固定值，

huanfeng_AI的博客 466

极大似然法辨识

极大似然法辨识，内容由浅入深，紧密结合实际，利用大量典型实例，详细讲解极大似然法辨识的用法，总结优化极大似然法辨识的原理

使用LogisticRegression和LightGBM模型对信贷违约进行预测----基于kaggle比赛数据

3.分离数值型变量与类别型变量，发现有些数值型变量因为输入不规范，比如数值中含有字符（28_,_10000_等）被划分为类别型变量 ，比如 'Age'，'Annual_Income'，'Num_of_Loan'， 'Num_of_Delayed_Payment', 'Changed_Credit_Limit','Credit_Mix','Monthly_Balance'， 'Outstanding_Debt' ,'Amount_invested_monthly'等。三、分箱，woe编码，计算IV值。

I_am_a_big_tiger的博客 1682

从零构建：如何在VSCode中为HBuilderX迁移的UniApp项目搭建TypeScript支持环境

本文详细指导如何将HBuilderX中的UniApp项目迁移至VSCode并搭建TypeScript支持环境。通过pnpm包管理器初始化项目、配置tsconfig.json和vite.config.ts文件，实现工程化迁移与TypeScript深度集成，提升开发效率和代码质量。

book8的博客 1051

BGE-M3 文本情感分类实战：预训练模型微调，导出ONNX并测试

本文介绍了如何基于BGE-M3开源模型实现一个简单的二分类情感分析任务，展示了NLP中经典的“预训练 + 微调”范式。首先，加载预训练模型和分词器，并构建分类头整合到模型中。接着，进行数据预处理并构建DataLoader。然后，定义优化器、损失函数和训练循环，进行模型微调。微调过程中，可以选择基于[CLS] token的单特征提取或基于池化策略的多特征融合。最后，通过验证与推理评估模型性能，并导出ONNX模型以适应生产环境。BGE-M3在语义表征任务中表现优异，适合作为文本分类、语义搜索等下游任务的基础模型

大鹏的专栏 1404

当LightGBM推理遇上GPU：3种替代方案性能对比（含ONNX实战代码）

本文针对LightGBM官方不支持GPU推理的性能瓶颈，深度评测了RAPIDS cuML、ONNX Runtime GPU和Triton Inference Server三种GPU加速推理替代方案。通过详尽的性能对比和实战代码，为高并发、低延迟的在线预测场景提供了清晰的选型指南，帮助工程师打破推理性能枷锁，实现显著的吞吐量提升。

salt9的博客 813

Western blot (WB) 灰度分析进阶指南：ImageJ 高效定量技巧与实战优化

本文详细介绍了使用ImageJ进行Western blot灰度分析的进阶技巧，包括批量处理、背景校正和疑难条带处理等实战优化方法。通过自动化宏脚本和动态背景校正，显著提升分析效率和准确性，特别适合科研人员处理复杂WB数据。

weixin_42557830的博客 902

Proteus仿真实战：ADC0832时序解析与51单片机精准电压采集

本文详细解析了ADC0832模数转换芯片在Proteus仿真环境中的时序控制与51单片机驱动实现。通过实战代码示例和精度优化技巧，帮助开发者掌握电压采集的关键技术，包括时序配置、数据校验和噪声抑制等核心要点，提升嵌入式系统设计的精准度与可靠性。

weixin_29172963的博客 873

实战｜基于Kappa架构的用户行为实时分析平台搭建教程

数据源：用Kafka存储全量数据（实时+历史），作为“事实来源”；处理引擎：用Flink等流处理引擎，读取Kafka中的数据，执行清洗、转换、聚合等操作；存储层：将处理结果写入实时存储（如Elasticsearch）或批量存储（如Hive）；消费层：用可视化工具（如Kibana）展示结果，或提供API供业务系统调用。Kappa架构的关键设计原则全量数据存于Kafka：Kafka的“无限 retention”特性（默认保留7天，可配置更长）让它成为全量数据的存储介质；用流处理引擎处理所有数据。

Java大师兄的博客 798

/home 挂载点无法访问 怎么解决 指令可以进入Home目录 du: 无法访问“*“: 输入/输出错误

本文介绍了Linux系统中XFS文件系统损坏的故障排查与修复方法。当/home挂载点出现I/O错误时，通过dmesg发现XFS日志错误和磁盘I/O报错，判断可能是文件系统逻辑损坏或硬件故障。解决方案包括：1）尝试卸载分区；2）使用xfs_repair工具进行预检查和正式修复；3）在极端情况下使用-L参数强制清空日志；4）若存在硬件故障，建议优先进行数据抢救并更换硬盘。最后强调重要数据应先备份，再考虑系统重建。

专注于计算机研发知识和资讯分享 157

IEM模型，地表粗糙度模拟

利用微波反演土壤水分时候，利用IEM模型可以实现对随机地表的模拟

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。

C# WinForm 基于DirectShow.dll编写的程序，可边预览边保存视频，音频和图片

基于微软的DirectShow.dll的二次开发1.自动识别连接的摄像头跟麦克风且可以对其进行选择（默认选中第一个）2.可录制wmv和avi两种格式的视频并且都带有音频，avi可以录制的分辨率和帧数进行选择，wmv默认进行了淸晰度优化如不喜欢可去除代码中有相关提示3.可在预览点开之后进行拍照，也可边录制视频边拍照4.添加了视频和音频的压缩功能（酌情使用）这次二次开发发现C#对DirectShow的相关信息太少，这次做完也不敢藏私共享出来，还望大家指正

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开
上一篇： AI笔记: 数学基础之相关大数定理与参数估计方法-点估计、矩估计
下一篇： 数据结构与算法笔记：求直方图最大面积算法分析
点赞 0
评论 0
书签 书签 1
Wang's Blog
Wang's Blog
博客等级 码龄12年 7433粉丝 2421原创
+ 关注 专栏目录 订阅专栏
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

打赏作者

Wang's Blog

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
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