目录
- 极大似然估计
- 一、最大似然原理
- 二、极大似然估计
- 三、似然函数
- 四、极大似然函数估计值
- 五、求解极大似然函数
- 5.1 未知参数只有一个
- 5.2 位置参数有多个
- 5.3 总结
更新、更全的《机器学习》的更新网站，更有python、go、数据结构与算法、爬虫、人工智能教学等着你：https://www.cnblogs.com/nickchen121/
极大似然估计
一、最大似然原理
二、极大似然估计
极大似然估计是建立在最大似然原理的基础上的一个统计方法。极大似然估计提供了一种给定观察数据来评估模型参数的方法，即“模型已定，参数未知”。通过观察若干次实验的结果，利用实验结果得到某个参数值能够使样本出现的概率最大，则称为极大似然估计。
简而言之，极大似然估计的目的是利用已知的样本结果，反推最有可能导致这样结果的参数值。
三、似然函数
假设一个样本集\(D\)的\(n\)个样本都是独立同分布的，并且该样本集为
\[
D={x_1,x_2,\ldots,x_n}
\]
似然函数（likelihood function）：联合概率密度函数\(p(D|\theta)\)称为相对于\({x_1,x_2,\ldots,x_n}\)的\(\theta\)的似然函数。
\[
l(\theta) = p(D|\theta) = p(x_1,x_2,\ldots,x_n|\theta) = \prod_{i=1}^n p(x_i|\theta)
\]
四、极大似然函数估计值
如果\(\hat{\theta}\)是\(\theta\)参数空间中能使似然函数\(l(\theta)\)最大的\(\theta\)值，则\(\hat{\theta}\)是最可能的参数值，那么\(\hat{\theta}\)是\(\theta\)的最大似然估计量，记作
\[
\hat{\theta} = d(x_1,x_2,\ldots,x_n) = d(D)
\]
并且\(\hat{\theta}(x_1,x_2,\ldots,x_n)\)称作极大似然函数估计值。
五、求解极大似然函数
给出求解最大\(\theta\)值的公式
\[
\hat{\theta} = arg \underbrace{max}_\theta l(\theta) = arg \underbrace{max}_\theta \prod_{i=1}^n p(x_i|\theta)
\]
为了方便计算，定义对数似然函数\(H(\theta)\)，即对似然函数求对数
\[
H(\theta) = \ln{l(\theta)}
\]
因此求最大\(\theta\)值的公式变成了
\[
\hat{\theta} = arg \underbrace{max}_\theta H(\theta) = arg \underbrace{max}_\theta \ln{l(\theta)} = arg \underbrace{max}_\theta \prod_{i=1}^n \ln{p(x_i|\theta)}
\]
并且可以发现公式中只有一个变量\(\theta\)
5.1 未知参数只有一个
如果\(\theta\)为标量，在似然函数满足连续、可微的情况下，则极大似然估计量是下面微分方程的解
\[
{\frac{dH(\theta)}{d\theta}} = {\frac{d\ln{l(\theta)}}{d\theta}} = 0
\]
5.2 位置参数有多个
如果\(\theta\)为\(k\)维向量，可以把\(\theta\)记作\(\theta = [\theta_1,\theta_2,\ldots,\theta_k]^T\)，对\(\theta_1,\theta_2,\ldots,\theta_k\)求梯度，可得
\[
\Delta_\theta=[{\frac{\partial}{\partial_{\theta_1}}},{\frac{\partial}{\partial_{\theta_2}}},\cdots,{\frac{\partial}{\partial_{\theta_s}}}]^T
\]
如果似然函数满足连续、可导的情况下，则最大似然估计量就是如下方程的解：
\[
\Delta_\theta{H(\theta)} = \Delta_\theta\ln{l(\theta)} = \sum_{i=1}^n \Delta_\theta \ln(p(x_i|\theta)) = 0
\]
5.3 总结
方程的解只是一个估计值，只有在样本趋于无限多的时候，才会逐渐接近真实值。
原文地址：https://www.cnblogs.com/nickchen121/p/11686777.html