【数据统计】— 极大似然估计 MLE、最大后验估计 MAP、贝叶斯估计

极大似然估计、最大后验概率估计(MAP)，贝叶斯估计

极大似然估计(Maximum Likelihood Estimate，MLE)

• 思想：利用已知的样本结果信息，反推最具有可能（最大概率）导致这些样本结果出现的模型参数值
• 模型已定，参数未知
• 目标：概率分布函数或者似然函数最大
  • 用似然函数取到最大值时的参数值作为估计值
• 概率分布模型
  • 伯努利分布
  • 二项分布
  • 高斯分布
  • 泊松分布
    

MLE目标

• 目标：用似然函数取到最大值时的参数值作为估计值
• 设总体分布为𝑓 𝑋 𝜃 ，𝑥1, 𝑥2, 𝑥3, ⋯,𝑥𝑁为样本。样本满足独立同分布，则他们的联合密度函数为：
• 其中，𝜃为未知参数。样本已经存在(观测)，即，𝑥1, 𝑥2, 𝑥3, ⋯,𝑥𝑛是固定的。 L(𝑋|𝜃)是关于𝜃的函数，称为似然函数
• 目标：求参数𝜃，使似然函数取极大值，称为极大似然估计
• 实践中，通常对似然函数取对数(log或ln)(连乘运算变为连加运算)，即对数似然函数。所以，极大似然估计问题可以写成

例子: 扔硬币

• X每次实验𝑋𝑖服从伯努利分布
  • 参数为𝜽，假设为事件(正面向上)发生的概率
• n次实验，共k次正面向上，采用MLE估计参数𝜽：

极大似然估计—高斯分布的参数

• 例：给定𝑥1, 𝑥2, 𝑥3, ⋯,𝑥𝑁为样本，已知样本来自于高斯分布 𝑁 𝜇, 𝜎 ,估计参数𝜇,𝜎

矩估计 vs LSE vs MLE

贝叶斯公式：

• 它将后验概率转化为基于似然函数和先验概率的计算表达式：