【笔记】贝叶斯估计(Bayesian Estimation)
贝叶斯估计
- 1. 极大似然估计
- 1.2 条件对数似然
- 2. 贝叶斯估计
- 2.1 最大后验估计(Maximum A Posteriori estimation,MAP)
- 2.2 共轭先验
- 参考
机器学习中经验风险最小化、结构风险最小化分别对应最大似然估计、最大后验估计
1. 极大似然估计
L(θ;x)=f(x;θ)=f(x1,...,xn;θ)=∏Nf(x;θ)θ^ML=arg maxθL(θ;x)=arg maxθ∏Nf(x;θ)L(\theta;x)=f(x;\theta)=f(x_1,...,x_n;\theta)=\prod_Nf(x;\theta)\\\hat{\theta}_{ML}=\argmax_\theta L(\theta;x)=\argmax_\theta\prod_Nf(x;\theta)L(θ;x)=f(x;θ)=f(x1,...,xn;θ)=N∏f(x;θ)θ^ML=θargmaxL(θ;x)=θargmaxN∏f(x;θ)
另外,对数似然不会改变 argmax函数解,而且还可以将积变成和的形式
θ^ML=arg maxθ∑Nlogf(xi;θ)\hat{\theta}_{ML}=\argmax_{\theta} \sum_N logf(x_i;\theta)θ^ML=θargmaxN∑logf(xi;θ)
再进一步,似然函数除以m也不会改变解,所以可以写为:
θ^ML=arg maxθE[logf(x;θ)]\hat{\theta}_{ML}=\argmax_{\theta}\mathbb{E}[ logf(x;\theta)]θ^ML=θargmaxE[logf(x;θ)]
KL散度: 衡量经验分布f与模型分布F的log差异
DKL(F∣∣f)=E[logF(x;θ)−logf(x;θ)]D_{KL}(F||f)=\mathbb{E}[logF(x;\theta)-logf(x;\theta)]DKL(F∣∣f)=E[logF(x;θ)−logf(x;θ)]
左边一项仅涉及到数据生成过程,和模型无关。这意味着当我们训练模型最小化 KL
散度时,我们只需要最小化
−E[logf(x;θ)]-\mathbb{E}[logf(x;\theta)]−E[logf(x;θ)]
所以从最小化KL散度的角度,也可以得到最大似然估计。
1.2 条件对数似然
最大似然估计很容易扩展到估计条件概率 P(y | x;θ),从而给定 x 预测 y 。
θML=arg maxθP(Y∣X;θ){\theta}_{ML}=\argmax_{\theta}P(Y|X;\theta)θML=θargmaxP(Y∣X;θ)
样本X={x1,...,xn}X=\{x_1,...,x_n\}X={x1,...,xn}独立同分布,用对数似然函数表示:
θML=arg maxθ∑NlogP(yi∣xi;θ)\theta_{ML}=\argmax_{\theta}\sum_NlogP(y_i|x_i;\theta)θML=θargmaxN∑logP(yi∣xi;θ)
2. 贝叶斯估计
贝叶斯公式:
贝叶斯估计:
其中,
π(θ)\pi(\theta)π(θ)为θ\thetaθ的先验分布(prior distribution),表示对参数θ\thetaθ的主观认识,非样本信息。贝叶斯派认为参数不是确定的,所以用随机变量表示,并且服从某个分布;
π(θ∣x)\pi(\theta|x)π(θ∣x)为θ\thetaθ的后验分布(posterior distribution);
和最大似然估计不同,贝叶斯方法使用 θ 的全分布,而非点估计;并且加入先验分布。
贝叶斯估计可以看作是,在假定θ\thetaθ服从先验分布π(θ)\pi(\theta)π(θ)情况下,根据样本信息去校正先验分布,得到后验分布π(θ∣x)\pi(\theta|x)π(θ∣x)。
后验分布是一个条件分布,通常我们取后验分布的期望作为参数的估计值。
2.1 最大后验估计(Maximum A Posteriori estimation,MAP)
参数 θ 的完整贝叶斯后验分布进行预测,有时候是很难的。所以用单点估计来近似。
采用极大似然估计的思想,考虑后验分布极大化而估计θ\thetaθ, 就变成了最大后验估计。
m(x)m(x)m(x)与θ\thetaθ无关,简化计算。
对上面的式子稍作处理(取对数):
取对数后,原来的似然函数变为对数似然函数,又加上logπ(θ)log\pi(\theta)logπ(θ)。可以认为logπ(θ)log\pi(\theta)logπ(θ),为正则化项。所以,MAP可以认为是带有正则化项的最大似然学习。
当然,这并不是总是正确的,例如,有些正则化项可能不是一个概率分布的对数,还有些正则化项依赖于数据,当然也不会是一个先验概率分布。不过,MAP提供了一个直观的方法来设计复杂但可解释的正则化项,例如,更复杂的惩罚项可以通过混合高斯分布作为先验得到,而不是一个单独的高斯分布。
2.2 共轭先验
贝叶斯估计中,如果选取先验分布 π(θ)\pi(\theta)π(θ) 和后验分布π(θ∣x)\pi(\theta|x)π(θ∣x)属于同一个分布族(即共轭分布),则称π(θ)\pi(\theta)π(θ)为似然函数f(x∣θ)f(x|\theta)f(x∣θ)的共轭先验.
共轭先验的选取有如下好处:
a).符合直观,先验分布和后验分布应该是相同形式的;
b).可以给出后验分布的解析形式;
c).可以形成一个先验链,即现在的后验分布可以作为下一次计算的先验分布,如果形式相同,就可以形成一个链条。
常见的共轭先验有:Beta分布(二项分布)、Dirichlet分布(多项分布)。
很显然,共轭先验的选取很大程度上是基于数学理论的方便性,带有很强的主观色彩,而这也是饱受频率学派诟病的一点。频率学派认为,只有在先验分布有一种不依赖主观的意义,且能根据适当的理论或以往的经验决定时,才允许在统计推断中使用先验分布,否则就会丧失客观性。
参考
[1] https://zhuanlan.zhihu.com/p/61593112 (主要参考来源)
[2] 花书 5.6
[3] 概率学派和贝叶斯学派的区别
[4] 深度学习中的两种不确定性
【笔记】贝叶斯估计(Bayesian Estimation)相关推荐
- 如何给出Bayesian Estimation模型W的分布?
Bayesian Estimation如何给出模型W的分布? 坑 W是一个列向量: 现在的理解: 1.Bayesian Estimation和(Maxium Likehood Estimation.M ...
- 5003笔记 Statistic Chapter3-Density Estimation
Density Estimation:密度估计 Cumulative distribution:累计分布函数F(x) 注意,均值mean E(x) = np, Var(x) = np(1-p) Con ...
- Mechine Learning 机器学习笔记
笔记作者:OUC_Shizue 参考课程:复旦大学 邱锡鹏 <神经网络与深度学习> 第一章:机器学习概论 一.机器学习的定义 1.直接定义 机器学习≈计算机自动构建映射函数 Mac ...
- 《神经网络与深度学习》邱希鹏 学习笔记(3)
<神经网络与深度学习>邱希鹏 学习笔记(3) 完成进度 第二章 机器学习概述 线性回归 参数学习 偏差-方差分解 自我理解 概率 似然 先验 后验 参考文献 完成进度 - 第二章 (1) ...
- 最大后验估计_PR Ⅱ:贝叶斯估计/推断及其与MAP的区别
Probabilistic in Robotics Ⅱ: Bayesian Estimation/Inference 统计推断旨在根据可观察到的事物来了解不可观察到的事物.即,统计推断是基于一个总体或 ...
- Parzen-Window Density Estimation(PWDE)
1.概率密度函数 在在数学中,连续型随机变量的概率密度函数(在不至于混淆时可以简称为密度函数)是一个描述这个随机变量的输出值,在某个确定的取值点附近的可能性的函数.而随机变量的取值落在某个区域之内的概 ...
- 算法工程师_浅谈算法工程师的职业定位与发展
随着大数据和以深度学习为代表的人工智能技术的飞速发展,算法工程师这个职业逐渐成为国内互联网行业的标配.2016年3月,谷歌旗下DeepMind公司的围棋程序"AlphaGo"战胜职 ...
- matlab贝叶斯优化工具箱_经济学人的神器——BEAR(贝叶斯估计、分析和回归工具包)...
武林至尊,宝刀屠龙, 号令天下,莫敢不从, 倚天不出,谁与争锋. --金庸·<倚天屠龙记> Bayesian Estimation, Analysis and Regression(简写为 ...
- 先验分布、后验分布、似然估计、贝叶斯估计、最大似然估计
一.什么叫先验分布.后验分布.似然估计 这几个概念可以用"原因的可能性"和"结果的可能性"的"先后顺序"及"条件关系" ...
最新文章
- 九款让WordPress成为赚钱利器的广告插件
- 线上应用故障排查之二:高内存占用
- linux常见协议对应端口(后期补充)
- 星座图与IQ调制总结+BPSK、QPSK、8PSK、16QAM等的区别与总结
- linux安装mysql5.7.19
- java 课后习题 删除奇数元素下标 然后再删除值为奇数的下标
- 我如何用 21 天在 GitHub 上获取 6300 个 Star?
- 大数据分析工具有哪些特性
- win开启审计功能_一项一项教你测等保2.0——Linux安全审计
- 无码编程:无代码软件开发大行其道
- matlab与焓湿图,excel与焓湿图的完美结合
- 技嘉主板bios设置方法
- “配置系统未能初始化” 异常解决
- Delphi学习第二课
- 论文阅读《Camera pose voting for largescale image-based localization》
- 人类简史--经典语句摘录
- 阿里云服务器ECS(VPS)介绍及使用视频教程和优惠活动
- 18岁、20岁、23岁、25岁、28岁、30岁
- 百度AI战疫五十天:三场战役与一次胜利
- 面对“惜命且老龄化”的年代,移动健康医疗需加速布局