極大似然估計__機器學習

轉自：http://blog.csdn.net/zengxiantao1994/article/details/72787849 極大似然估計

        以前多次接觸過極大似然估計，但一直都不太明白到底什麼原理，最近在看貝葉斯分類，對極大似然估計有了新的認識，總結如下：

貝葉斯決策

        首先來看貝葉斯分類，我們都知道經典的貝葉斯公式：

        其中：p(w)：為先驗機率，表示每種類別分布的機率；：類條件機率，表示在某種類別前提下，某事發生的機率；而為後驗機率，表示某事發生了，並且它屬於某一類別的機率，有了這個後驗機率，我們就可以對樣本進行分類。後驗機率越大，說明某事物屬於這個類別的可能性越大，我們越有理由把它歸到這個類別下。

        我們來看一個直觀的例子：已知：在夏季，某公園男性穿涼鞋的機率為1/2，女性穿涼鞋的機率為2/3，並且該公園中男女比例通常為2:1，問題：若你在公園中隨機遇到一個穿涼鞋的人，請問他的性別為男性或女性的機率分別為多少。

        從問題看，就是上面講的，某事發生了，它屬於某一類別的機率是多少。即後驗機率。

        設：

        由已知可得：

        男性和女性穿涼鞋相互獨立，所以

（若只考慮分類問題，只需要比較後驗機率的大小，的取值並不重要）。

        由貝葉斯公式算出：

問題引出

        但是在實際問題中並不都是這樣幸運的，我們能獲得的資料可能只有有限數目的樣本資料，而先驗機率和類條件機率(各類的總體分布)都是未知的。根據僅有的樣本資料進行分類時，一種可行的辦法是我們需要先對先驗機率和類條件機率進行估計，然後再套用貝葉斯分類器。

        先驗機率的估計較簡單，1、每個樣本所屬的自然狀態都是已知的（有監督學習）；2、依靠經驗；3、用訓練樣本中各類出現的頻率估計。

        類條件機率的估計（非常難），原因包括：機率密度函數包含了一個隨機變數的全部資訊；樣本資料可能不多；特徵向量x的維度可能很大等等。總之要直接估計類條件機率的密度函數很難。解決的辦法就是，把估計完全未知的機率密度轉化為估計參數。這裡就將機率密度估計問題轉化為參數估計問題，極大似然估計就是一種參數估計方法。當然了，機率密度函數的選取很重要，模型正確，在樣本地區無窮時，我們會得到較準確的估計值，如果模型都錯了，那估計半天的參數，肯定也沒啥意義了。

重要前提

        上面說到，參數估計問題只是實際問題求解過程中的一種簡化方法（由於直接估計類條件機率密度函數很困難）。所以能夠使用極大似然估計方法的樣本必須需要滿足一些前提假設。

        重要前提：訓練樣本的分布能代表樣本的真實分布。每個樣本集中的樣本都是所謂獨立同分布的隨機變數 (iid條件)，且有充分的訓練樣本。

極大似然估計

        極大似然估計的原理，用一張圖片來說明，如下圖所示：

        總結起來，最大似然估計的目的就是：利用已知的樣本結果，反推最有可能（最大機率）導致這樣結果的參數值。

        原理：極大似然估計是建立在極大似然原理的基礎上的一個統計方法，是機率論在統計學中的應用。極大似然估計提供了一種給定觀察資料來評估模型參數的方法，即：“模型已定，參數未知”。通過若干次實驗，觀察其結果，利用實驗結果得到某個參數值能夠使樣本出現的機率為最大，則稱為極大似然估計。

        由於樣本集中的樣本都是獨立同分布，可以只考慮一類樣本集D，來估計參數向量θ。記已知的樣本集為：

        似然函數（linkehood function）：聯合機率密度函數稱為相對於的θ的似然函數。

        如果是參數空間中能使似然函數最大的θ值，則應該是“最可能”的參數值，那麼就是θ的極大似然估計量。它是樣本集的函數，記作：

求解極大似然函數

        ML估計：求使得出現該組樣本的機率最大的θ值。

         實際中為了便於分析，定義了對數似然函數：

        1. 未知參數只有一個（θ為標量）

        在似然函數滿足連續、可微的正則條件下，極大似然估計量是下面微分方程的解：

        2.未知參數有多個（θ為向量）

        則θ可表示為具有S個分量的未知向量：

         記梯度運算元：

         若似然函數滿足連續可導的條件，則最大似然估計量就是如下方程的解。

         方程的解只是一個估計值，只有在樣本數趨於無限多的時候，它才會接近於真實值。

極大似然估計的例子

        例1：設樣本服從常態分佈，則似然函數為：

        它的對數：

        求導，得方程組：

        聯合解得：

        似然方程有唯一解：，而且它一定是最大值點，這是因為當或時，非負函數。於是U和的極大似然估計為。

        例2：設樣本服從均勻分布[a, b]。則X的機率密度函數：

        對樣本：

        很顯然，L(a,b)作為a和b的二元函數是不連續的，這時不能用導數來求解。而必須從極大似然估計的定義出發，求L(a,b)的最大值，為使L(a,b)達到最大，b-a應該儘可能地小，但b又不能小於，否則，L(a,b)=0。類似地a不能大過，因此，a和b的極大似然估計：

總結

        求最大似然估計量的一般步驟：

        （1）寫出似然函數；

        （2）對似然函數取對數，並整理；

        （3）求導數；

        （4）解似然方程。

        最大似然估計的特點：

        1.比其他估計方法更加簡單；

        2.收斂性：無偏或者漸近無偏，當樣本數目增加時，收斂性質會更好；

        3.如果假設的類條件機率模型正確，則通常能獲得較好的結果。但如果假設模型出現偏差，將導致非常差的估計結果。

常態分佈ML估計的Matlab執行個體：點擊開啟連結

        </div>