参数估计的方法有多种，这里我们分析三种基于概率的方法，分别是最大似然估计（Maximum Likelihood）、贝叶斯估计（Bayes）和最大后验估计（Maximum a posteriori）。我...
分类：
其他好文 时间：
2016-08-28 18:15:44
阅读次数：
151
问题阐述 互联网早已成为人们生活的一部分，没事在网上看看电影、逛逛淘宝、定定外卖（有时间还是要多出去走走）。互联网的确为我们提供了非常多的便利，但它毕竟是一个虚拟的环境，具有更多的不确定性，大多数情况下我们只能通过别人的评论及打分来判别某个商品的好坏。五星打分是许多网站采用的商品排名方法，它也是消费 ...
分类：
其他好文 时间：
2016-07-07 12:38:55
阅读次数：
286
http://blog.csdn.net/pipisorry/article/details/51482120
文本分析的三类参数估计方法-最大似然估计MLE、最大后验概率估计MAP及贝叶斯估计。
参数估计
参数估计中，我们会遇到两个主要问题：（1）如何去估计参数的value。（2）估计出参数的value之后，如何去计算新的observation的概率，即进行回归分析和预测。...
分类：
其他好文 时间：
2016-05-27 12:42:02
阅读次数：
288
上篇学习了PDF的参数估计方法，主要有最大似然估计和贝叶斯估计，他们主要对有确定形式的PDF进行参数估计，而在实际情况下，并不能知道PDF的确切形式，只能通过利用所有样本对整个PDF进行估计,而且这种估计只能是利用数值方法求解。...
分类：
其他好文 时间：
2016-04-22 20:12:06
阅读次数：
171
本文主要介绍三类参数估计方法-最大似然估计MLE、最大后验概率估计MAP及贝叶斯估计。
1、最大似然估计MLE
首先回顾一下贝叶斯公式
这个公式也称为逆概率公式，可以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，即
最大似然估计就是要用似然函数取到最大值时的参数值作为估计值，似然函数可...
分类：
其他好文 时间：
2016-04-22 19:52:49
阅读次数：
146
EM 算法所面对的问题跟之前的不一样，要复杂一些。 EM 算法所用的概率模型，既含有观测变量，又含有隐变量。如果概率模型的变量都是观测变量，那么给定数据，可以直接用极大似然估计法，或贝叶斯估计法来估计模型参数，但是，当模型含有隐变量时，情况就复杂一些，相当于一个双层的概率模型，要估计出两层的模型参数 ...
分类：
编程语言 时间：
2016-04-18 20:35:53
阅读次数：
190
ML-最大似然估计 MAP-最大后验估计 贝叶斯估计 三者的关系及区别 一。机器学习 核心思想是从past experience中学习出规则，从而对新的事物进行预测。对于监督学习来说，有用的样本数目越多，训练越准确。 用下图来表示机器学习的过程及包含的知识： 简单来说就是： 二。ML vs MAP ...
分类：
其他好文 时间：
2016-04-16 23:15:50
阅读次数：
774
概率密度函数估计是贝叶斯决策的基础，有两大类方法：参数法和非参数法。所谓的参数法是指已知参数形式，但不知道参数，我们要对参数进行估计的过程。这里主要介绍点估计的两种方法：一种是最大似然估计，一种是贝叶斯估计。 最大似然估计 假设： 我们要估计的参数 是确定但未知的； 样本之间是独立同分布的（或者是条...
分类：
其他好文 时间：
2016-03-10 23:46:47
阅读次数：
466
问题：给定一些样本X，给定一个参数theta的先验概率p(theta)，如何建模估计x上的密度？ —————————————————————————————————————————— 根据贝叶斯规则，为了估计x上的密度，有： p(x | X) = ∫p(x, theta | X)d(theta) =
分类：
其他好文 时间：
2016-03-03 19:26:43
阅读次数：
154
参考文献：http://blog.csdn.net/zouxy09/article/details/8537620极大似然估计已知样本满足某种概率分布，但是其中具体的参数不清楚，极大似然估计估计就是把待估参数看做是确定性的量，只是其取值未知。最佳估计就是使得产生当前样本的概率最大下的参数值。贝叶斯估...
分类：
编程语言 时间：
2016-01-07 01:10:05
阅读次数：
252
