版权声明:转载请声名出处,谢谢 https://blog.csdn.net/u010591976/article/details/82494907
目录:
统计公式: 协方差与协方差矩阵
概率公式:全概率 贝叶斯公式
定理:大数定理 中心极限定理
极大释然估计
常见分布的参数估计
统计公式
概率公式
定理
大数定理:
当样本的数量越来越多,那么它的期望值,也就越接近平均值。当大量重复某一实验时,最后的频率无限接近事件概率。
中心极限定理:
在适当条件下,大量相互独立的、随机的变量的均值,经过适当的标准化后,其分布收敛于正态分布。
极大似然估计
- 似然函数
似然(likelihood,可能性的意思),**描述的是事件发生可能性的大小。
设数据D=X1,…,XN为独立同分布(IID)**,其概率密度函数(pdf)为p(x|Ɵ),则似然函数定义为:
- 极大似然估计(MLE)
定义:使得似然函数L(Ɵ)最大的Ɵ的估计:
在回归原理中用到
log似然函数
性质:
(1) 它和似然函数在相同的位置取极大值
(2) 在不引起混淆的情况下,有时记log似然函数为似然函数
(3) 相差常数倍也不影响似然函数取极大值的位置,因此似然函数中的常数项可以抛弃
(4) 在分类中log似然有时亦称为交叉熵(cross-entropy)损失函数
损失函数 = 负log似然函数,即:
损失函数 = - log p( Ɵ|D)求极大似然估计的一般步骤
(1)选择模型
(2)得到密度函数p(x)
(3)求似然函数L = Ʃ log.p(x)
(4)对似然函数求极值(求导),得到参数估计扫描二维码关注公众号,回复: 3080610 查看本文章
常见分布的参数估计
高斯分布
假设X1,…,XN ~ N (μ, δ2 ),参数为μ, δ2,则高斯分布
参考博客:
https://blog.csdn.net/raintungl/article/details/78188182