Inference and Decision
some notation:
p(D|\theta) 表示的并不是一个条件概率,这是一个关于\theta的函数;
p(x_i|\theat)表示的是一个PDF,这里的\theta是一个定值;
- 生成模型: 根据P(x|y) 和p(x), 利用贝叶斯求出p(y|x);
判别模型:直接求出(y|x)
这些模型分为两个步骤:
inference: 估计各种密度函数;
decision: 根据PDF给出输出; - 参数估计
- 点估计
认为需要被估计的参数是一个定值.
- 最大似然估计 MLE
θ=argmaxθl(θ)=argmax∑p(xi|θ) - 最大后验估计 MAP
θ∗=argmaxθl(θ)∗p(θ)
MAP和MLE的区别就是,MLE是在假设估计的θ 是一个定值,而MAP假设θ 是一个随机变量,存在着先验表示;
没有任何关于θ 的information的时候,MLE equal MAP。视θ 为一个随机变量,存在分布p(θ) 将其影 响(先验分布)代入,但仍然假设存在最优的参数
- 最大似然估计 MLE
- unbias estimation
- 贝叶斯估计
无论是MLE还是MAP都是假设存在最优的参数,估计的依然是一个点,而在贝叶斯的观点中,θ is a distribution, so estimation should be a distribution not a point!!!
p(θ|D) : 是贝叶斯参数估计的输出,是一个完整的分布,而不是一个点;
实际的一个例子是:高斯分布的贝叶斯估计。
- 点估计
===============
关于蒙特卡洛采样
http://blog.csdn.net/baimafujinji/article/details/51407703