前面,我们讨论了贝叶斯方法,使用概率对不确定性建模做出最优决策。现在我们考虑如何从给定的训练集估计这些概率。
引言
参数化方法是指我们假设样本取自服从某种一直模型的某个分布。我们利用最大似然和样本数据近似的估计这个分布的参数信息,从而得出这个分布的一般模型。换言之,一旦从样本中估计出这些参数 ,就知道了整个分布,然后使用它进行决策。
一、最大似然估计
最大似然估计的假设前提,独立同分布样本,假设Xt是从某个定义在参数上的已知概率密度族中抽取的实例:
我们希望找出这样的参数,使得样本尽可能像是从中抽取的。因为假设前提是样本独立同分布,所以给定参数,样本X的似然是单点似然的乘积:
我们感兴趣的是找到这样的参数,使得X最像是从中抽取的。因此我们寻找最大化样本似然。由于原式中含有较多的乘积运算,为了简化运算,我们可以使用最大化该似然的对数,而不改变它取最大值的数值。可以将乘积转换成求和。简化运算。
上述内容详细讲解了,参数估计方法最大似然法。然而,我们对估计的参数的具体形式,还不太清楚。所以针对这个问题,我们引出其他内容。下面内容是介绍当假设我们的类似然函数服从某种分布,我们通过最大似然法求得分布中参数,从而进行决策。
二、常见类似然分布
这里我们以伯努利分布、多项式分布、高斯分布为例。并且以下我们都假设给定样本服从独立同分布。
1、伯努利密度
伯努利分布也叫两点分布或零一分布。白女里随机变量X发生概率为p取值1,时间不发生概率为1-p取值0。其概率密度函数如下:
对应的对数似然函数为:
最大化上述似然函数,求 偏导数 可得到该对数似然的估计 。
.
p的估计是时间发生的次数与实验次数的比值。
2、多项式密度
多项式分布可以看作伯努利分布的推广,其中随机事件的结果不是两种状态,而是K中互斥、穷举状态之一,每种状态出现的概率为pi,其概率密度函数为:
如果xi是0/1,则可以认为它们是K次独立的伯努利试验。
3、高斯密度
高斯分布也叫正太分布,其密度函数为:
对于给定样本高斯样本的对数似然为:
最大似然估计参数为:
三、利用最大似然进行参数化分类
本节将利用前面讲解的贝叶斯规则和最大似然估计方法,解决实际问题中参数化分类方法的公式推导和概念理解。
本节假设作者已了解贝叶斯规则和最大似然方法,具体概念笔者不再一一赘述。直接进行公式推导。
贝叶斯公式:
前面介绍过,贝叶斯公式中的证据项是观测样本的边缘概率,无论正例负例,在同一个样本中,其值固定。所以我们根据贝叶斯公式,得出参数化分类的判别式函数。
或等价于
当我们假设类似然服从高斯分布式时,则:
判别式函数变为:
到此,就完成了对参数分类方法的公式推导过程。接下来我们需要求的判别式函数中参数信息,也就是类似然函数所服从的高斯分布的均值和方差信息。因为,我们不能准确知道和,但是我们有样本数据,所以我们可以通过样本估计它们并把它们的估计插入上述判别式函数得到判别式函数的估计。进而进行分类决策。
根据样本数据的最大似然估计得到的均值和方差的估计:
最终每个类的判别式的估计为:
有趣的是,第一项是常数,因为它在所有类中都是公共项,如果这些先验也相等,则最后一项也可以去掉,再进一步假设每一个类的方差也相等,则上式变为:
总结:
本节我们使用基于似然的分类方法,其本质是使用数据估计密度,使用贝叶斯计算后验概率,然后得到判别。在以后的我们会讨论基于判别式的分类方法,在哪里我们将直接绕开密度估计直接估计判别式函数来实现分类。对本节内容,简言之,就是为样本数据假设一个概率分布,然后通过最大似然法通过数据求得概率密度函数中的参数信息,进而完成判别式函数的构造。
引:机器学习导论
原创文章,转载注明出处!!!!!