【概率论】贝叶斯公式&极大似然估计&最大后验概率

最新推荐文章于 2025-12-15 09:56:13 发布
原创 最新推荐文章于 2025-12-15 09:56:13 发布 · 289 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#概率论 #智能计算数学基础

这篇博客深入探讨了贝叶斯公式的核心概念，包括似然函数、后验概率和先验概率。同时，它也介绍了极大似然估计和最大后验估计在统计推断中的应用。此外，文章还提到了全概率公式，并讨论了L1正则化与L2正则化的先验分布特性，分别关联于Laplace分布和高斯分布。
贝叶斯公式和极大似然估计详解
南淮北安的博客
10-18 5264
文章目录一、贝叶斯决策二、极大似然估计的引出三、极大似然估计四、极大似然函数的求解 一、贝叶斯决策 首先来看贝叶斯分类，我们都知道经典的贝叶斯公式： 我们来看一个直观的例子：已知：在夏季，某公园男性穿凉鞋的概率为1/2，女性穿凉鞋的概率为2/3，并且该公园中男女比例通常为2:1，问题：若你在公园中随机遇到一个穿凉鞋的人，请问他的性别为男性或女性的概率分别为多少？ 从问题看，就是上面讲的，某事发...
第十六次作业 朴素贝叶斯算法案例的理解和实现
qq_57830391的博客
11-21 670
朴素贝叶斯的推导
极大似然估计详解
热门推荐
知行流浪
05-28 39万+
极大似然估计         以前多次接触过极大似然估计，但一直都不太明白到底什么原理，最近在看贝叶斯分类，对极大似然估计有了新的认识，总结如下： 贝叶斯决策         首先来看贝叶斯分类，我们都知道经典的贝叶斯公式：         其中：p(w)：为先验概率，表示每种类别分布的概率；：类条件概率，表示在某种类别前提下，某事发生的概率；而为后验概率，表示某事发生
贝叶斯
L_jc11111的博客
07-16 633
1.1贝叶斯公式 P(A | B)= P(B | A)* P(A)/ P(B) P(A)或P(B)：先验概率，表示每种类别分布的概率； P(B | A)：条件概率，在某类的前提下，事件发生的概率； P(A | B)：后验概率，事件发生，该事件属于某一类别的概率。 1.2图解 A已发生的条件下B发生的概率：P(B | A)=P(A∩B)/P(A)； P((A∩B)=P(B | A) * ...
【一文理解】全概率公式、贝叶斯公式、先验概率&后验概率、似然函数&极大似然估计
Frost_Descent的博客
10-03 4615
它反映了在给定新信息后，对某一事件发生的最新认知。贝叶斯公式（Bayes' Theorem）是概率论中的一个重要定理，它提供了一种计算条件概率的方法，特别是在已知某些观测结果后更新事件发生的概率。每次实验的时候会随机从某个盒子里挑出一个球，随机变量Box表示挑出的是哪个盒子，并且P(B=1) = 0.4（1号盒子被选中的概率），P(B=2) = 0.6（2号盒子被选中的概率）。），并计算在这些前置条件下事件A发生的概率，然后将这些概率按照前置条件发生的概率进行加权平均，从而得到事件A发生的总概率。
极大似然估计、最大后验估计、贝叶斯估计
v20000727的博客
04-14 2275
本节我们介绍统计学中常用的三种参数估计方法：极大似然估计（MLE）、最大后验估计（MAP）以及贝叶斯估计.
【概率论】极大似然估计和最大后验估计
Mr_health的博客
07-23 1万+
目录 1.概率模型和非概率模型 1.1 非概率模型 1.1 概率模型 2 频率学派和贝叶斯学派 2.1 频率学派 2.2 贝叶斯学派 3. 极大似然估计 3.1 什么是极大似然估计 3.2 极大似然原理及数学表示 3.3 极大似然估计法(Maximum Likelihood Estimation,MLE) 3.4 极大似然估计法求估计值的步骤 3.5 例题 1.概率模型和非概率模型 要介绍极大似然估计和最大后验估计，就要先从概率模型和非概率模型说起。极大似然估计和最大后验估计都.
概率论--最大似然估计
🌟【AI炼丹师 | 你的数字技术搭子】 大二解锁3200+道友同行👾
07-26 1593
最大似然估计的目标是找到一个参数 𝜃^θ^，使得在给定 𝜃^θ^ 的情况下，观测到的数据出现的概率最大。通常，为了简化计算，我们会对似然函数取对数，得到对数似然函数 𝑙(𝜃)=log⁡𝐿(𝜃)l(θ)=logL(θ)，然后通过求导数并令其等于零来求解最优参数 𝜃^θ^。最大似然估计（Maximum Likelihood Estimation，MLE）是一种常用的统计方法，用于从样本数据中估计模型参数。例如，在二分类问题中，我们可以通过最大化样本数据的似然函数来找到最佳的权重和偏置参数。
最大似然估计，最大后验估计，贝叶斯估计联系与区别
bitcarmanlee的博客
08-05 9万+
1.什么是参数 在机器学习中，我们经常使用一个模型来描述生成观察数据的过程。例如，我们可以使用一个随机森林模型来分类客户是否会取消订阅服务（称为流失建模），或者我们可以用线性模型根据公司的广告支出来预测公司的收入（这是一个线性回归的例子）。每个模型都包含自己的一组参数，这些参数最终定义了模型本身。 我们可以把线性模型写成 y = mx + c 的形式。在广告预测收入的例子中，x 可以表示广告支...
精选资源
贝叶斯公式及最大似然估计的理解与应用
09-22
内容概要：本文深入解析先验概率与后验概率的概念，并介绍了它们与似然函数、贝叶斯公式的相互关系。通过对具体实例的应用讲解，使得最大似然估计成为解决分类决策等问题的有效工具。文中还提供了具体的数学计算方式...
极大似然估计、贝叶斯估计、极大后验概率估计
大风车
10-17 1651
在概率论里，经常能听到极大似然估计和贝叶斯估计这两个词，今天打算好好理解一下。 首先我问了自己两个问题。 1、‘极大似然估计’ 、‘贝叶斯估计’ 和 '极大后验概率估计'，这三个词里，都有 ‘估计‘ 两字 ，听起来像是用来估计某个我们不知道的未知的东西，那么是用来估计啥呢？ 2、‘极大似然’ 和 ‘贝叶斯’ 到底有什么不同呢？ 首先可以回答第一个问题，这两方法用来估计未知的 ‘概率分布的参数’。 对于第二个问题，极大似然估计和贝叶斯估计是概率论中两大派的产物，分别是频率学派和贝叶斯学派。 ..
机器学习: 简单讲极大似然估计和贝叶斯估计、最大后验估计
JacksonKim的博客
11-30 7406
一、前言 我在概率论：参数估计里面提到了极大似然估计，不熟悉的可以看一下，本文将从贝叶斯分类的角度看极大似然估计。 在进行贝叶斯分类的时候，通常需要知道P(wi),P(x∣wi)P(w_i), P(x|w_i)P(wi​),P(x∣wi​)的值，这里wiw_iwi​表示第i类。但是P(x∣wi)P(x|w_i)P(x∣wi​)是未知的参数。 因此我们需要对这个参数进行估计,这里有极大似然估计和贝叶斯估计两种方法。 为了简化问题，我们认为P(x∣wi) N(ui,Σi)P(x | w_i) ~ N(
概率论与数理统计 第七章 参数估计
oscar999的专栏
12-09 1163
本文介绍了参数估计的基本方法与应用。首先阐述了点估计的两种主要方法：矩估计法通过样本矩代替总体矩求解参数，最大似然估计法通过最大化似然函数确定参数。其次讨论了估计量的评选标准（无偏性、有效性、相合性）。然后详细讲解了区间估计的概念，包括正态总体均值与方差的置信区间构造方法，以及单侧置信区间的应用。最后通过典型例题展示了参数估计在实际问题中的应用，如指数分布、泊松分布等参数的估计。文章内容系统全面，涵盖了参数估计的核心理论与计算方法。
人工智能之数学基础:边缘概率是什么？
huanfeng_AI的博客
12-09 199
前面的课程中，我们学习了随机向量，随机向量中的概率就不是简单的概率了，而是联合概率，多个随机变量决定的概率就是联合概率。对于二维随机向量来说，所谓联合概率就是即满足随机变量1又满足随机变量2的概率。边缘分布是相对于联合概率而言的，对联合概率中某些变量的所有取值情况求和（积分），就可以得到边缘分布。边缘分布（或者边缘概率）定义了联合概率和单个随机变量的概率之间的关系。
概率分布基本概念的深入理解
CS实验室
12-12 714
概率分布是描述随机变量统计规律的核心工具，通过分布函数统一表达离散型、连续型和奇异型随机变量的概率特性。本文系统阐述了概率分布的定义与分类，深入分析了其数学表示方法（包括分布函数、特征函数等），并详细探讨了期望、方差、偏度、峰度等关键特征参数的统计意义。同时，结合实际应用场景，提出了概率分布选择的方法论，并展望了非高斯分布等前沿发展方向。研究表明，概率分布理论不仅为随机现象研究提供数学基础，其发展也持续推动着统计学、物理学和人工智能等领域的进步。
SPSS——非参数检验-“单样本K-S检验”
weixin_41301530的博客
12-15 368
比如说我们可以将学习成绩分为及格不及格，或者分为优等、中等、差等等，而且。，比如说我们可以将学习成绩分为及格不及格，或者分为优等、中等、差等等，而且。：适用于小样本，在计算样本允许时，将使用精确方法代替蒙特卡洛法。：仅渐进法适用于样本数据服从渐近分布，或者样本数据比较大。都可以用于检验所在样本的总体分布和理论分布的拟合优度。都可以用于检验所在样本的总体分布和理论分布的拟合优度。对数据的使用也更加完整，检验结果也更精确。对数据的使用也更加完整，检验结果也更精确。，用于探索连续型随机变量的分布。
mamba-ssm-2.2.2-cp310-cp310-win-amd64.whl+安装环境+测试脚本.7z
最新发布
12-15
编译环境： vs2022 win10 x64 anaconda3+python3.10 torch==2.3.1+cu118 cuda11.8.0+cudnn8.9.7 triton==2.1.0 causal_conv1d==1.4.0 mamba==2.2.2 RTX2070显卡 注意编译的whl是不能用于RTX50显卡的，可以用于RTX20-RTX40系列显卡，安装时候尽量和模块一致
toplus1s_calculator_32040_1765656584703.zip
12-15
toplus1s_calculator_32040_1765656584703.zip
【创新无忧】基于多元宇宙优化算法MVO优化相关向量机RVM实现数据多输入单输出回归预测附matlab代码.zip
12-15
1.版本：matlab2014a/2019b/2024b 2.附赠案例数据可直接运行。 3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象：计算机，电子信息工程、数学等专业的大学生课程设计、期末大作业和毕业设计。
评论
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
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