标签：get div 样本 class poster 频率 输入 贝叶斯公式 rom
参考链接1
一、介绍
极大似然估计和贝叶斯估计分别代表了频率派和贝叶斯派的观点。频率派认为，参数是客观存在的，只是未知而矣。因此，频率派最关心极大似然函数，只要参数求出来了，给定自变量X，Y也就固定了，极大似然估计如下所示:
D表示训练数据集，是模型参数
相反的，贝叶斯派认为参数也是随机的，和一般随机变量没有本质区别，正是因为参数不能固定，当给定一个输入x后，我们不能用一个确定的y表示输出结果，必须用一个概率的方式表达出来，所以贝叶斯学派的预测值是一个期望值，如下所示：
其中x表示输入，y表示输出，D表示训练数据集，是模型参数
该公式称为全贝叶斯预测。现在的问题是如何求（后验概率），根据贝叶斯公式我们有：
可惜的是，上面的后验概率通常是很难计算的，因为要对所有的参数进行积分，不能找到一个典型的闭合解（解析解）。在这种情况下，我们采用了一种近似的方法求后验概率，这就是最大后验概率。
最大后验概率和极大似然估计很像，只是多了一项先验分布，它体现了贝叶斯认为参数也是随机变量的观点，在实际运算中通常通过超参数给出先验分布。
从以上可以看出，一方面，极大似然估计和最大后验概率都是参数的点估计。在频率学派中，参数固定了，预测值也就固定了。最大后验概率是贝叶斯学派的一种近似手段，因为完全贝叶斯估计不一定可行。另一方面，最大后验概率可以看作是对先验和MLE的一种折衷，如果数据量足够大，最大后验概率和最大似然估计趋向于一致，如果数据为0,最大后验仅由先验决定。
二、例子
最大似然估计
最大似然估计（maximum likelihood estimation，简称MLE）很容易理解，在生活生活中其实也经常用到，看下面一个例子：
一个箱子中有白球和黑球共1000个，但是我们并不知道白球和黑球各多少个（当然这里不允许把箱子里的球倒出来逐个数），此时我们就可以用抽样的方法去估计箱子里黑白两种球的分布。假设我们抽了100次，得到的结果是70次黑球和30次白球，那么我们很自然的可以估计箱子里面有700个黑球，300个白球。你看，这是生活中我们非常自然的意识，但这其中却是用到了最大似然估计的原理哦~
在上面的例子中，我们假设总体为X，箱子里面黑球的真实概率为ppp，产生我们抽样结果（即抽到70次黑球）为事件θ\thetaθ，那么发生每次抽取后结构为有70个黑球和30个白球的情况的概率为：
此处的P(θ∣X)就是我们说的似然函数。
最大似然估计可以理解为：选择让抽样结果发生的概率最大的参数作为总体被估计的参数。 也就是说，我们要让似然函数最大，这就很简单了，只要对上式求导即可，这时候你可能会说：对上式求导一点都不简单，哈哈哈~ 那试试先取对数再求导呢？实际上在运用最大似然估计时，一般都不是直接对似然函数求导，而是对对数似然函数求导，因为似然函数的形成其实就是一系列的条件概率相乘而得来的。
我们总结一下：
最大似然估计的终极目标：选择一个参数作为系统参数的估计值，让抽样结果发生的概率（似然概率）最大
最大似然估计步骤：
求出似然函数
对似然函数或对数似然函数求导，令方程等于0
解方程求出参数， 该参数作为总体参数的估计量
另外要注意的是，在上述抽样步骤中，正确的做法是：每抽出一个球记录颜色再放回，而不知直接在箱子里抽取100个球。因为我们需要保证：每次抽样样本颜色跟箱子里球的颜色是同分布的
最大似然估计在大数据量的情况下发挥比较好。
最大后验估计
最大后验概率估计（Maximum a posteriori estimation, 简称MAP），也是用样本估计整体，但是在使用时需要加上先验条件，最大后验估计的基础是贝叶斯公式。举一个网上的例子：
我们需要估算抛硬币正面朝上的概率，在做测试时只允许抛10次，在这10次中，恰好全部是正面朝上的，如果根据极大似然估计的思想，那么抛硬币正面朝上的概率是1，这无疑是不严谨的。因此在最大后验估计中，会设置一个先验条件，如抛硬币实验中，可设置的先验条件为P(θ)P(\theta)P(θ)服从高斯分布或beta分布。
还是以黑白球为例：
假设抽到白球的先验函数P(θ)服从μ=0.5,σ=0.1的高斯分布，则根据贝叶斯公式：
其中， P(θ∣X)就是后验概率，P(X∣θ)为似然概率， P(θ)为先验概率，)P(X)在此处与θ无关，我们可以把它理解为一个归一化常数。
那么，最大后验估计，其实就是需要找到一个θ值，使得后验概率P(θ∣X)最大。
嘻嘻 看到区别了吗：
最大似然估计，把能令似然函数最大的值作为估算值；
最大后验估计，把能令后验函数最大的值作为估算值；
仔细观察一下，在后验概率函数中，当P(X∣θ)∗P(θ)最大时，可以达到我们想要的效果。也就是说要找到一个θ值，使得似然概率和先验概率的乘积最大。 这就很像在机器学习中加入正则项来控制模型复杂度的操作，在这里先验概率可以看做是给似然概率加上了一个限制。这个过程弄清楚了之后，接下来就是求极值的问题了，这完全可以借鉴最大似然估计的做法。
下面用python的sympy库（刚发现的特别好用的一个库，求方程很方便）来对后验函数求极值。把μ=0.5,σ=0.1的高斯分布带入可得：
from sympy import *
def posterior(u, s, front, reverse):
theta = symbols(‘theta‘)
priorFunc = (theta**front) * ((1-theta)**reverse) ##似然函数
gaussian =( 1/(sqrt(2*pi) * s)) * E**((-(theta - u)**2)/ (2 * s**2)) ## 高斯分布
return solve(diff(priorFunc * gaussian, theta), theta) ##先求对数再求解方程
posterior(0.5, 0.1, 70, 30)
由于θ大于0小于1，解得θ=0.66，而最大似然估计时0.7，因此加入先验概率后，结果显得更“保守”一点。
总结一下：
最大后验概率估计的终极目标：选择一个参数作为系统参数的估计值，让后验概率函数最大
最大后验估计步骤：
确定参数的先验分布和似然函数
求出后验概率分布函数
对后验函数或对数后验函数求导，令方程等于0
解方程求出参数， 该参数作为总体参数的估计量
对于后验概率估计，选择合适的先验分布很重要。
标签：get div 样本 class poster 频率 输入 贝叶斯公式 rom
原文地址：https://www.cnblogs.com/andrew-address/p/13081571.html
