估计和贝叶斯定理 Estimation Bayes Rule

2024-08-09 21:48:11 浏览数 (1)

estimator：

consistency 一致性
bias 偏离
efficiency
mean squared error 均方误差 MSE = variance bias^2

矩量法 Method of Moments

通过求解一组矩的方程来估计参数，基于观测数据的矩与模型参数的矩之间的等价关系
定义问题，建立数学模型，求解模型参数的矩与观测数据的矩之间的方程组来估计参数
示例：求解带电体周围的电势分布，包括定义问题、建立方程、离散化、计算矩量、建立方程组、求解方程组和后处理

极大似然估计 Maximum Likelihood Estimation, MLE

通过最大化似然函数来估计模型参数：在给定观测数据的情况下，找到一组参数值，使得模型产生这些数据的概率最大
联合概率：两个或多个事件同时发生的概率，
条件概率：在已知一个事件已经发生的情况下，另一个事件发生的概率

极大似然估计法估计高斯分布

示例：通过极大似然估计法估计高斯分布的均值和标准差

高斯分布的概率密度函数（PDF）：观测数据x ，均值mu ，方差sigma^2

f(x|mu,sigma^2) = frac{1}{sqrt{2pisigma^2}} expleft(-frac{(x-mu)^2}{2sigma^2}right)

似然函数是所有观测数据点联合概率的乘积：

L(mu, sigma^2) = prod_{i=1}^{n} f(x_i|mu,sigma^2)

代入高斯分布pdf：

L(mu, sigma^2) = prod_{i=1}^{n} frac{1}{sqrt{2pisigma^2}} expleft(-frac{(x_i-mu)^2}{2sigma^2}right)

取对数似然函数：

ell(mu, sigma^2) = log L(mu, sigma^2) = sum_{i=1}^{n} left[ -frac{1}{2} log(2pisigma^2) - frac{(x_i-mu)^2}{2sigma^2} right]

对 mu 求偏导：

frac{partial ell}{partial mu} = sum_{i=1}^{n} frac{x_i - mu}{sigma^2} = 0

解得 mu = frac{1}{n} sum_{i=1}^{n} x_i 即样本均值

对 sigma^2 求偏导：

frac{partial ell}{partial sigma^2} = -frac{n}{2sigma^2} frac{1}{2sigma^4} sum_{i=1}^{n} (x_i - mu)^2 = 0

解得 sigma^2 = frac{1}{n} sum_{i=1}^{n} (x_i - mu)^2 即样本方差

最大后验概率估计 Maximum a posteriori probability estimate，MAP

在已知先验分布的情况下，通过最大化后验概率来估计模型参数

在似然函数的基础上，乘以参数的先验分布，然后最大化后验概率来估计参数

MAP与MLE的区别

MLE：只考虑观测数据，不考虑参数的先验分布，
MAP：在MLE的基础上，增加了对参数先验分布的考虑

贝叶斯定理 Bayes Rule

条件概率之间的关系：

P(A|B) = frac{P(B|A)P(A)}{P(B)}

其中，P(A|B) 表示后验概率，P(B|A) ) 表示似然函数，P(A) 是先验概率，P(B)是事件B的边际概率

后验 Posterior：基于先验概率和似然函数计算得出，反映给定观测数据后对假设或参数的信念程度。

举例：贝叶斯分类器中计算后验概率来分类，贝叶斯网络中后验用于推理和预测

似然Likelihood：给定假设下观测数据出现的概率，反映观测数据与假设或参数之间的一致性程度

举例：MLE寻找能够最大化似然函数的参数值作为最优估计

先验 Priors：在没有观测数据前，对某个假设的概率分布的估计，可以基于经验、知识或假设来设定，不合理的先验概率则可能导致模型偏差或过拟合
边际 Marginal：某个事件不考虑其他事件发生时的概率，反映了事件本身发生的概率

posterior = frac{likelihood ast prior}{marginal}

参考：

https://sjster.github.io/introduction_to_computational_statistics/docs/index.html

probability bayesian

0 人点赞