极大似然估计法的理解可以从三个角度入手,一个是整体性的思想,然后两个分别是离散状态的极大似然估计和连续状态的极大似然估计的简单例子。

一、思想

极大似然估计可以拆成三个词,分别是“极大”、“似然”、“估计”,分别的意思如下:
极大:最大的概率
似然:看起来是这个样子的
估计:就是这个样子的
连起来就是,最大的概率看起来是这个样子的那就是这个样子的。

举个例子:
有两个妈妈带着一个小孩到了你的面前,妈妈A和小孩长得很像,妈妈B和小孩一点都不像,问你谁是孩子的妈妈,你说是妈妈A。好的,那这种时候你所采取的方式就是极大似然估计:妈妈A和小孩长得像,所以妈妈A是小孩的妈妈的概率大,这样妈妈A看来就是小孩的妈妈,妈妈A就是小孩的妈妈。

总结:极大似然估计就是在只有概率的情况下,忽略低概率事件直接将高概率事件认为是真实事件的思想。

二、离散状态

知道了思想,接下来还是需要一定的计算,此处本人为了使更多的人能理解极大似然估计的思想和计算方法,此处的计算完全采取高中数学知识以内的内容进行推导。

例1、离散的小球问题:
箱子里有一定数量的小球,每次随机拿取一个小球,查看颜色以后放回,已知拿到白球的概率p为0.7或者0.3,拿了三次,都不是白球,想要求拿到白球的概率的极大似然估计。

分析:此处从数学上来讲,想要准确的求出拿到白球的概率是不可能的,所以此处求的是概率的极大似然估计。而这里的有放回的拿取,是高中数学中经典的独立重复事件,可以很简单的分别求出白球概率为0.7和0.3的时候拿三次都不是白球的概率。

解:
若拿到白球的概率为0.7,拿三次都不是白球的概率为:
P_0.7=0.3*0.3*0.3=0.027
若拿到白球的概率为0.3,拿三次都不是白球的概率为:
P_0.3=0.7*0.7*0.7=0.343

P_0.3>P_0.7,可知当前情况下白球概率为0.3的概率大于白球概率为0.7
综上所述:
拿到白球的概率的极大似然估计为0.3

三、连续状态

连续状态依然用刚刚拿小球的例子,不过此处白球的概率不再明确为0.7-0.3,此处只知道白球的概率p的范围为0.3<=p<=1。

例2、连续的小球问题:
箱子里有一定数量的小球,每次随机拿取一个小球,查看颜色以后放回,已知拿到白球的概率p的范围是[0.3,0.7],拿了三次,都不是白球,想要求拿到白球的概率的极大似然估计。

分析:与例1相同,想要知道小球的极大似然估计,就是要先求在已知条件下,发生已知事件的概率,然后据此求出小球的极大似然估计。

解:
记拿到白球的概率为p,取白球的事件为Y,取到时Y=1,未取到时Y=0,小球颜色不是白色的事件Y重复3次的概率为:
P(Y=0;p)=(1-p)^3
欲求p的极大似然估计,即要求P(Y=0;p)的极大值:

令Q(p)=(1-p)^3
Q'(p)=-3*(1-p)^2
令Q'(p)=0
求得Q的极值点为p=1,且当p<1时,Q'(p)<0,p>1时,Q'(p)<0,可知Q(p)为单调减函数
可知0.3<=p<=1的条件下,p=0.3时,Q(p)取得最大值。

综上所述:小球概率的极大似然估计为0.3

四、总结

通过极大似然估计的思想、离散形式、连续形式的分析,可以得出极大似然估计的通常解法,总体来说分为以下几步:
1、得到所要求的极大似然估计的概率p的范围
2、以p为自变量,推导出当前已知事件的概率函数式Q(p)
3、求出能使得Q(p)最大的p
这样便求出了极大似然估计值p

极大似然估计思想的最简单解释相关推荐

  1. 伽马分布极大似然估计_一文通俗解释极大似然估计

    我们都知道机器学习的大致流程是通过建立一个合理的模型学习现有数据集,然后通过该模型去完成特定的任务.其中每个模型都包含自身的一组特定参数,而这组参数决定着模型的本身.但这里存在一个很关键的一个问题,就 ...

  2. 极大似然估计的思想是什么

    极大似然估计 思想 最大概率, 看上去是这样,估计就是这样 总结:极大似然估计就是在只有概率的情况下,忽略低概率事件直接将高概率事件认为是真实事件的思想. 例1.离散的小球问题: 箱子里有一定数量的小 ...

  3. 浅议极大似然估计(MLE)背后的思想原理

    1. 概率思想与归纳思想 0x1:归纳推理思想 所谓归纳推理思想,即是由某类事物的部分对象具有某些特征,推出该类事物的全部对象都具有这些特征的推理.抽象地来说,由个别事实概括出一般结论的推理称为归纳推 ...

  4. 极大似然估计原理思想

    本文转自:  http://blog.csdn.net/poi7777/article/details/23204789 在机器学习的领域内,极大似然估计是最常见的参数估计的方法之一,在这里整理一 ...

  5. 机器学习: 简单讲极大似然估计和贝叶斯估计、最大后验估计

    一.前言 我在概率论:参数估计里面提到了极大似然估计,不熟悉的可以看一下,本文重点介绍后两者估计方法. 在这里两种估计方法估计的是什么?我们使用一个较为泛化的问题表示: 考虑这样一个问题:总体X的概率 ...

  6. 极大似然估计(Maximum Likelihood Estimattion Theory)是什么?极大似然估计的本质思想是什么?为什么极大似然可以作为损失函数使用?负对数似然损失函数(Negative

    极大似然估计(Maximum Likelihood Estimattion Theory)是什么?极大似然估计的本质思想是什么?为什么极大似然可以作为损失函数使用?负对数似然损失函数(Negative ...

  7. 最小二乘和极大似然估计的原理,思想?相同点以及异同?

    简述最小二乘和极大似然估计的原理,思想?相同点以及异同? 最小二乘估计和极大似然估计 简述最小二乘和极大似然估计的原理,思想?相同点以及异同? 1.多元线性回归方程的矩阵表示 1.1 最小二乘估计的原 ...

  8. 极大似然估计的直观解释-转

    教材云: 极大似然估计法是求估计值的另一种方法,最早由高斯(R.A,Gauss)提出,后来为费史(Fisher)在1912年重新提出,并证明该方法的一些性质.它是建立在极大似然原理基础上的一个统计方法 ...

  9. 极大似然函数求解_关于极大似然估计的学习(附Matlab中mle函数的求解)

    冒泡~是新的一周辣~温故而知新一下极大似然估计(真是很不容易了) 极大似然估计的基本思想 什么是极大似然?官方上的较清楚的解释是:利用已知的样本的结果,在使用某个模型的基础上,反推最有可能导致这样结果 ...

最新文章

  1. 吴恩达老师深度学习视频课笔记:深度学习的实用层面
  2. 纸上谈兵: 哈希表 (hash table)
  3. DL之RBM:(sklearn自带数据集为1797个样本*64个特征+5倍数据集)深度学习之BRBM模型学习+LR进行分类实现手写数字图识别
  4. java返回属性_java – 根据对象属性确定哪个枚举返回
  5. mysql数据库备份shell_mysql数据库备份shell脚本分享
  6. 域名,ip,mac地址
  7. mybatis报错:Could not find result map java.lang.Integer
  8. Java基础整理(三)
  9. NET常见问题记录(不定期更新)
  10. 大数据入门初学者需要学习的内容及学习路线详解
  11. 2018中国方案商500强榜单
  12. matplotlib报错Line2D‘ object has no property ‘linestyle‘或‘linewidth‘
  13. 异步编程举例之闹钟程序
  14. 分布式事务与RocketMq 事务消息
  15. 【前端小卡】npm从0-1发布一个属于自己的包
  16. Linux 访问superio 寄存器,ITE Super IO 学习 - GPIO
  17. 使用thop库对yolo等深度学习模型的FLOPS进行计算
  18. 湖北省2023年中级工程师职称评定条件及材料要求,伴德诚
  19. origin Pro 9.0画多条三维折线图(此处以两条为例)
  20. 【迷人的爪哇】—带你从零开始了解Java

热门文章

  1. 数据解读:中国铁路百年发展史,从“追赶者”到领先世界
  2. iphone资料 各种网址搜集
  3. ext2fsd window读ext驱动
  4. 浅谈退耦电容和旁路电容对于芯片和电源的重要
  5. .kux转mp4(youku客户端视频转mp4)
  6. 认识STM32的时钟源和晶振
  7. linux下静态编译mupdf,在Qt中调用Mupdf库进行pdf显示
  8. STM32入门笔记04_TIM定时器+案例:TIM定时器定时中断、定时器外部时钟
  9. 超过100mb的视频怎么微信发送?如何将超过25mb视频发送微信?
  10. UE5项目设置必须开启光晕时,某一场景关闭光晕的方法