?0?2 ?0?2 ?0?2 ?0?2 以前多次接触过极大似然估计，最近在看贝叶斯分类，总结如下：

贝叶斯决策

?0?2 ?0?2 ?0?2 ?0?2 首先来看贝叶斯分类

?0?2 ?0?2 ?0?2 ?0?2 其中：p(w)：为先验概率，表示在某种类别前提下，表示某事发生了，有了这个后验概率，说明某事物属于这个类别的可能性越大?0?2 ?0?2 ?0?2 ?0?2 我们来看一个直观的例子：已知：在夏季，女性穿凉鞋的概率为2/3，问题：若你在公园中随机遇到一个穿凉鞋的人?0?2 ?0?2 ?0?2 ?0?2 从问题看，某事发生了?0?2 ?0?2 ?0?2 ?0?2 设：

?0?2 ?0?2 ?0?2 ?0?2 由已知可得：

?0?2 ?0?2 ?0?2 ?0?2 男性和女性穿凉鞋相互独立（若只考虑分类问题，的取值并不重要）。

?0?2 ?0?2 ?0?2 ?0?2 由贝叶斯公式算出：

问题引出

?0?2 ?0?2 ?0?2 ?0?2 但是在实际问题中并不都是这样幸运的，而先验概率和类条件概率(各类的总体分布)都是未知的。根据仅有的样本数据进行分类时，然后再套用贝叶斯分类器。

?0?2 ?0?2 ?0?2 ?0?2 先验概率的估计较简单?0?2 ?0?2 ?0?2 ?0?2 类条件概率的估计（非常难），把估计完全未知的概率密度转化为估计参数。这里就将概率密度估计问题转化为参数估计问题，概率密度函数的选取很重要，在样本区域无穷时，如果模型都错了，肯定也没啥意义了。

重要前提

?0?2 ?0?2 ?0?2 ?0?2 上面说到?0?2 ?0?2 ?0?2 ?0?2?0?2重要前提：训练样本的分布能代表样本的真实分布。每个样本集中的样本都是所谓独立同分布的随机变量 (iid条件)。

极大似然估计

?0?2 ?0?2 ?0?2 ?0?2 极大似然估计的原理，如下图所示：

?0?2 ?0?2 ?0?2 ?0?2 总结起来，反推最有可能（最大概率）导致这样结果的参数值。

?0?2 ?0?2 ?0?2 ?0?2 原理：极大似然估计是建立在极大似然原理的基础上的一个统计方法，即：“模型已定，观察其结果，则称为极大似然估计。

?0?2 ?0?2 ?0?2 ?0?2 由于样本集中的样本都是独立同分布，来估计参数向量θ。记已知的样本集为：

?0?2 ?0?2 ?0?2 ?0?2 似然函数（linkehood function）：联合概率密度函数称为相对于的θ的似然函数。

?0?2 ?0?2 ?0?2 ?0?2 如果是参数空间中能使似然函数最大的θ值，那么就是θ的极大似然估计量。它是样本集的函数

求解极大似然函数

?0?2 ?0?2 ?0?2 ?0?2 ML估计：求使得出现该组样本的概率最大的θ值。

?0?2?0?2?0?2?0?2?0?2?0?2?0?2?0?2 实际中为了便于分析

?0?2 ?0?2 ?0?2 ?0?2 1. 未知参数只有一个（θ为标量）

?0?2 ?0?2 ?0?2 ?0?2 在似然函数满足连续、可微的正则条件下

?0?2 ?0?2 ?0?2 ?0?2 2.未知参数有多个（θ为向量）

?0?2 ?0?2 ?0?2 ?0?2 则θ可表示为具有S个分量的未知向量：

?0?2?0?2?0?2?0?2?0?2?0?2?0?2?0?2 记梯度算子：

?0?2?0?2?0?2?0?2?0?2?0?2?0?2?0?2 若似然函数满足连续可导的条件

?0?2?0?2?0?2?0?2?0?2?0?2?0?2?0?2 方程的解只是一个估计值，它才会接近于真实值。

极大似然估计的例子

?0?2 ?0?2 ?0?2 ?0?2 例1：设样本服从正态分布

?0?2 ?0?2 ?0?2 ?0?2 它的对数：

?0?2 ?0?2 ?0?2 ?0?2 求导

?0?2 ?0?2 ?0?2 ?0?2 联合解得：

?0?2 ?0?2 ?0?2 ?0?2 似然方程有唯一解：，这是因为当或时。于是U和的极大似然估计为。

?0?2 ?0?2 ?0?2 ?0?2 例2：设样本服从均匀分布[a

?0?2 ?0?2 ?0?2 ?0?2 对样本：

?0?2 ?0?2 ?0?2 ?0?2 很显然,b)作为a和b的二元函数是不连续的，求L(a，为使L(a，b-a应该尽可能地小，否则,b)=0。类似地a不能大过，a和b的极大似然估计：

总结

?0?2 ?0?2 ?0?2 ?0?2 求最大似然估计量的一般步骤：

?0?2 ?0?2 ?0?2 ?0?2 （1）写出似然函数；

?0?2 ?0?2 ?0?2 ?0?2 （2）对似然函数取对数?0?2 ?0?2 ?0?2 ?0?2 （3）求导数；

?0?2 ?0?2 ?0?2 ?0?2 （4）解似然方程。

?0?2 ?0?2 ?0?2 ?0?2 最大似然估计的特点：

?0?2 ?0?2 ?0?2 ?0?2 1.比其他估计方法更加简单；

?0?2 ?0?2 ?0?2 ?0?2 2.收敛性：无偏或者渐近无偏，收敛性质会更好；

?0?2 ?0?2 ?0?2 ?0?2 3.如果假设的类条件概率模型正确，将导致非常差的估计结果。