简介:
参数估计的方法有多种,这里我们分析三种基于概率的方法,分别是最大似然估计(Maximum Likelihood)、贝叶斯估计(Bayes)和最大后验估计(Maximum a posteriori)。我们假设我们观察的变量是,观察的变量取值(样本)为
,要估计的参数是
,
的分布函数是
(我们用条件概率来显式地说明这个分布是依赖于
取值的)。实际中,
和
都可以是几个变量的向量,这里我们不妨认为它们都是标量(theta若是标量求导,若是向量求偏导)。这里的p(x|θ)可以是高斯分布或其他分布。
- 最大似然估计 Maximum Likelihood (ML)
“likelihood/似然”的意思就是“事件(即观察数据)发生的可能性”,最大似然估计就是要找到的一个估计值,使“事件发生的可能性”最大,也就是使
最大。一般来说,我们认为多次取样得到的
是独立同分布的(iid),这样
由于一般都比较小,且N一般都比较大,因此连乘容易造成浮点运算下溢,所以通常我们都去最大化对应的对数形式
具体求解释时,