极大似然估计

极大似然的估计的理解

什么是极大似然估计？参数估计就是通过若干次试验，已知某个参数能使这个样本出现的概率最大，我们当然不会再去选择其他小概率的样本，所以干脆就把这个参数作为估计的真实值。
qingliangdexiar·2017-06-08 18:57

从最大似然到EM算法浅解

转载http://blog.csdn.net/zouxy09EM算法是一种迭代算法，用于含有隐含变量的概率模型参数的极大似然估计，或极大后验概率估计。
Jlan·2017-06-04 22:33

矩估计法

本文摘自《概率论与数理统计》陈希孺著中国科学技术大学出版社相关链接参数的点估计问题极大似然估计前言矩估计法是点估计方法的一种，点估计法还有极大似然估计法和贝叶斯估计法。详情请参考上面的链接。
changsoon·2017-05-21 11:00

[(机器学习)概率统计]极大似然估计MLE原理+python实现

在统计学中，最大似然估计，也称为最大概似估计，是用来估计一个概率模型的参数的一种方法。预备知识概率密度函数简单讲，就是一个概率分布在某一取值下对应的概率值。用维基百科的话来讲就是【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。】以大家最为常见的正态分布函数为例～其概率分布函数为：f(x|u,σ2)=1
PJZero·2017-05-05 19:56

机器学习中的参数估计

1极大似然估计1.1极大似然估计基本概念对于极大似然函数的理解，可以从一个最简单的例子开始。一位老猎人和一位打猎新手一起外出打猎，一只野兔从眼前窜过，只听得一声枪响，兔子应声而倒。
Standing_On_Giant·2017-04-30 15:50

李航 统计学习方法 第一章 课后 习题 答案

极大似然估计和贝叶斯估计的模型都是伯努利模型也就是条件概率模型；极大似然估计用的是经典统计学派的策略，贝
fxnfk·2017-04-14 14:36

机器学习----贝叶斯分类器（贝叶斯决策论和极大似然估计）

贝叶斯决策论贝叶斯决策论（Bayesiandecisiontheory）是概率框架下实施决策的基本方法。在所有相关概率都已知的理想情况下，贝叶斯决策论考虑如何基于这些概率和误判断来选择最优的类别标记。假设有N种可能的类别标记，即Y={c1,c2,...,cn}，λij是将一个真实标记为cj的样本误分类为ci所产生的损失。基于后验概率P(ci|x)可获得将样本x分类为ci所产生的期望损失（expec
这题我会啊·2017-04-12 15:06

生成模型

就像下面这个例子：极大似然估计假设有0，1号两个桶，有m个球随机的落入两个桶中，落入哪个桶则记录为那个桶的编号，那么如何去估计这些编号的概率分布？
四去六进一·2017-04-09 00:00

机器学习笔记--决策树

方法适用问题模型特点模型类别学习策略学习的损失函数学习算法决策树多类分类，回归分类树，回归树判别模型正则化的极大似然估计对数似然损失特征选择，生成，剪枝决策树优点：计算复杂度不高，输出结果易于理解，对中间值的缺失不敏感
七号萝卜·2017-03-25 20:13

极大似然估计和EM算法

转自：http://blog.csdn.net/zouxy09/article/details/8537620感谢博主：zouxy09一、最大似然假设我们需要调查我们学校的男生和女生的身高分布。你怎么做啊？你说那么多人不可能一个一个去问吧，肯定是抽样了。假设你在校园里随便地活捉了100个男生和100个女生。他们共200个人（也就是200个身高的样本数据，为了方便表示，下面，我说“人”的意思就是对应
intelligence1994·2017-03-24 16:10

贝叶斯估计和极大似然估计到底有何区别

在开始接触最大似然估计和贝叶斯估计时，大家都会有个疑问：最大似然估计和贝叶斯估计二者很相似，到底有何区别？本文便来说说二者的不同之处以及求参模型的公式推导！预热知识必知如何求类条件概率密度：我们知道贝叶斯决策中关键便在于知道后验概率，那么问题便集中在求解类条件概率密度！那么如何求呢？答案便是：将类条件概率密度进行参数化。最大似然估计和贝叶斯估计参数估计：鉴于类条件概率密度难求，我们将其进行参数化，
feilong_csdn·2017-03-12 21:00

统计学相关（网易公开课笔记）

机器学习算法要学习数据挖掘十大算法抽时间学习一下Hadoop集群性能测试，测试一下集群性能决策树模型逻辑斯蒂回归采用了极大似然估计估计模型参数最大熵模型使用连续变量的最大熵模型的公式会简单许多连续变量的熵
GodsLeft·2017-02-26 21:25

机器学习算法总结--EM算法

参考自《统计学习方法》机器学习常见算法个人总结（面试用）从最大似然到EM算法浅解（EM算法）TheEMAlgorithm简介EM算法，即期望极大算法，用于含有隐变量的概率模型的极大似然估计或极大后验概率估计
spearhead_cai·2017-02-24 17:41

极大似然估计值的标准差

极大似然估计有很好的渐进性质，在一定正则条件下具有强相合性和渐进正态性。
orchidzouqr·2017-01-09 19:40

贝叶斯参数估计的理解

极大似然估计贝叶斯估计是参数估计中的一种方法，以贝叶斯思想为基础，而贝叶斯思想在机器学习中经常用到。机器学习中常涉及贝叶斯网络，最终的问题都是转化为参数求解。贝叶斯参数估计是这些问题的基础版本。
阿拉丁吃米粉·2016-12-03 13:54

十大机器学习算法之最大期望算法（EM，Expectation-Maximization算法）

极大似然估计只是一种概率论在统计学的应用，它是参数估计的方法之一。说的是已知某个随机样本满足某种概率分布，但是其中具体的参数不是很清楚，参数估计就是通过若干次的实验，观察每一次
小小菜鸟一只·2016-11-21 11:41

神经网络中常用的误差平方和损失函数是什么

其实这里隐藏了一个小知识点，就是中心极限定理，可以参考【centrallimittheorem】），最后通过极大似然估计（MLE）可以推导出最小二乘式子。
qq745021926·2016-11-16 21:02

EM算法小结

目的是给定观测变量数据和隐变量数据以及分布函数来估计模型参数，首先选择参数的初始值，计算在此参数下观测数据来自各种可能（模型）的概率，这一步实现了将隐变量显式化，求得参数新的估计值，据此得到在新参数下的目标函数期望（E），然后求解不完全数据对数似然函数的极大似然估计
笛在月明·2016-11-10 23:00

统计机器学习笔记——EM算法及其应用(1)

EM算法的适用场景：EM算法用于估计含有隐变量的概率模型参数的极大似然估计，或者极大后验概率估计。当概率模型既含有观测值，又含有隐变量或潜在变量时，就可以使用EM算法来求解概率模型的参数。
sajiahan·2016-11-09 22:46

极大似然估计与贝叶斯估计

极大似然估计与贝叶斯估计是统计中两种对模型的参数确定的方法，两种参数估计方法使用不同的思想。
jim_刘·2016-10-11 14:58

极大似然估计与贝叶斯估计

极大似然估计与贝叶斯估计是统计中两种对模型的参数确定的方法，两种参数估计方法使用不同的思想。
·2016-10-11 14:00

极大似然估计、拉普拉斯平滑定理、M-估计详解

注意：（1）原载地址：http://blog.csdn.net/xinhanggebuguake/article/details/8765536（2）英文原文链接：http://www.temida.si/~bojan/probability_estimation.PHP概率估计1引言假设在一次实验中，我们进行了n次独立试验，其中有r次成功。其余的试验（n-r）失败。这样的试验例如：掷硬币（例如，
CSU985·2016-10-07 15:32

连续值、缺失值 、正负样本不均衡处理方法

a.均值插补均值或者众数b.利用同类均值插补c.极大似然估计前提适用于大样本期望值最大化d.多重插补（较好）最近邻平均属性众数缺失值为随机缺失：用ab比较好目前有三类处理方法：1.用平均值、中值、分位数
煜涵·2016-09-01 17:17

MachineLearning：三、聊聊逻辑回归

这里面涉及到一些知识点，包括极大似然估计，损失函数，梯度下降，正则化等这篇文章的主要目的，就是通过理论与实践相结合的方式讲解LR模型，在讲解的过程中，加深对LR的理解、相关概念的梳理和应用。
好记性不如烂笔记·2016-08-29 15:54

逻辑回归及其数学推导

本文只讨论二分类的情况一、逻辑回归P(Y=1|X=x)=ewTx1+ewTx=h(x)P(Y=0|X=x)=11+ewTx=1−h(x)logP(Y=1|X=x)P(Y=0|X=x)=wTx二、参数估计（极大似然估计
cvrszeng·2016-08-27 14:33

【机器学习】聚类分析（二）——从极大似然估计到EM算法

前言：本文主要把EM算法的内容及其简单推导交待清楚，为后面实现高斯混合模型的聚类算法做一个铺垫，因此本文不会出现代码。文中会出现大量的数学定义、公式及原理等，篇幅有限，加上能力有限，我不可能把所有的定义和公式都罗列一遍，作为博文也没必要这样做，如果这样做，未免过于枯燥生涩，还不如直接去写论文算了。只是力求简明扼要把这个算法描述清楚，但又不能过于简单，否则就无法理解其中的精髓。EM算法，又称期望极大
Feiyang_Lee·2016-08-03 05:19

贝叶斯线性回归（Bayesian Linear Regression）

BayesianLinearRegression）标签（空格分隔）：监督学习@author:[email protected]@time:2015-06-19原文地址贝叶斯线性回归BayesianLinearRegression原文地址关于参数估计极大似然估计渐进无偏渐进一致最大后验估计贝叶斯估计贝叶斯估计核心问题贝叶斯估计第一个重要元素贝叶斯估计第二个重要元素贝叶斯估计的增量学习贝
daunxx·2016-06-21 09:00

【3】机器学习之华山论剑：贝叶斯方法

贝叶斯方法=斯奥卡姆剃刀*极大似然估计同类问题：机器翻译，语音识别，语义识别Siri=机器学习+云计算（即巨大的语料库用来统计先验概率）从朴素贝叶斯方法到隐含马尔科夫模型再到贝叶斯网络（有向无环图DAG
Mylin·2016-05-30 10:40

简单的机器学习路线

就自身而言接触机器学习和数据挖掘这个行业也就短短的不到一年的时间，在基础数学上还是略显吃力，在这里也不班门弄斧，只是就自己看到的博客和学习的内容做个简单总结下面内容引用至机器学习与数据挖掘的学习路线图预备知识微积分（偏导数、梯度等等）、概率论与数理统计（例如极大似然估计
Dongod·2016-05-24 17:14

PRML读书笔记（二）：三种概率推断思想

而这一直观的想法，有三种表达方式：注意下列使用到的数学符号如下：x表示训练集t表示训练集对应的标签（因变量值）θ表示模型参数极大似然估计（MaximumLikelihood）：argmaxθ P(t|x
z5718265·2016-05-09 20:00

极大似然估计（maximum likelihood estimination）教程

极大似然估计法是求点估计的一种方法，最早由高斯提出，后来费歇尔（Fisher）在1912年重新提出。它属于数理统计的范畴。      大学期间我们都学过概率论和数理统计这门课程。      
chenjianbo88·2016-05-07 21:00

ML—高斯混合模型

华电北风吹日期：2016-05-07高斯混合模型是一个无监督学习算法，主要用思路是利用EM算法对混合高斯分布进行极大似然估计。
zhangzhengyi03539·2016-05-07 21:00

ML—EM

华电北风吹日期：2016-05-07EM算法是与kmeans极其相似的一个迭代优化算法，主要用于带隐含变量的极大似然估计问题。EM与kmeans一样，能够保证收敛，但不能保证全局收敛，对初始值敏感。
zhangzhengyi03539·2016-05-07 19:00

机器学习的一般算法

1、线性模型列表内容线性回归阿斯蒂芬线性判别回归多分类回归2、决策树多变量决策树3、支持向量机核方法4、贝叶斯分类器极大似然估计朴素贝叶斯分类器半朴素贝叶斯分类器贝叶斯网EM算法5、集成学习BoostingBagging
u010378878·2016-05-06 15:00

极大似然估计-七月算法（julyedu.com）4 月机器学习算法班学习笔记

从贝叶斯看极大似然估计极大似然估计幂律分布以下内容摘抄于七月算法（julyedu.com）4月机器学习算法班课堂讲义从贝叶斯看极大似然估计由贝叶斯公式可得maxP(Ai|D)=maxP(D|Ai)P(Ai
zhzhji440·2016-05-05 22:00

最大似然估计的一个示例

最大似然估计的一个示例发表于1年前(2015-01-0311:15)  阅读（21） | 评论（0） 0人收藏此文章, 我要收藏赞0最大似然估计（又“极大似然估计”，MaximumLikelihoodEstimate
Real_Myth·2016-04-25 09:00

EM算法

应用极大似然估计的思想，把每一个样本拿出来相乘，求解得到概率最大的那个参数，即为我们想要的参数θ好，现在我们将问题增加一点点难度，倘若我想问，这个班的学生其实可以分为男生和女生。
tianbwin2995·2016-04-24 11:00

EM算法

应用极大似然估计的思想，把每一个样本拿出来相乘，求解得到概率最大的那个参数，即为我们想要的参数θθ好，现在我们将问题增加一点点难度，倘若我想问，这个班的学生其实可
tianbwin2995·2016-04-19 22:00

（转）极大似然估计和贝叶斯估计

转载于http://blog.sciencenet.cn/blog-520608-703219.html统计学中，似然函数（），或，是一种关于统计模型参数的函数。给定输出x时，关于参数θ的似然函数L(θ|x)（在数值上）等于给定参数θ后变量X的概率：L(θ|x)=P(X=x|θ).似然函数在推断统计学（Statisticalinference）中扮演重要角色，尤其是在参数估计方法中。在教科书中，似
FaaronZheng·2016-04-14 16:00

《统计学习方法》笔记（9）：EM算法和隐马尔科夫模型

EM也称期望极大算法（ExpectationMaximization），是一种用来对含有隐含变量的概率模型进行极大似然估计的迭代算法。该算法可应用于隐马尔科夫模型的参数估计。
峰峰jack·2016-04-12 18:21

机器学习笔记（六）——朴素贝叶斯法的参数估计

一、极大似然估计在上一笔记中，经过推导，得到了朴素贝叶斯分类器的表示形式：y=argmaxckP(Y=ck)∏jP(X(j)=x(j)|Y=ck)(1)也就是说，朴素贝叶斯方法的学习是对概率P(Y=ck
_Kevin_Duan_·2016-04-10 11:50

机器学习笔记（六）——朴素贝叶斯法的参数估计

一、极大似然估计在上一笔记中，经过推导，得到了朴素贝叶斯分类器的表示形式：y=argmaxckP(Y=ck)∏jP(X(j)=x(j)|Y=ck)(1)也就是说，朴素贝叶斯方法的学习是对概率P(Y=ck
chunyun0716·2016-04-10 11:00

机器学习之贝叶斯分类

极大似然估计概率模型的训练过程就是参数估计。贝叶斯学派认为参数是未观测到的随机变量，其本身可能也有分布，因此可以假定参数服从一个先验分布，然后基于观测到的数据来计算后验分布。
zackzhaoyang·2016-04-02 20:00

机器学习系列之EM算法

一、EM算法的预备知识1、极大似然估计（1）举例说明：经典问题——学生身高问题我们需要调查我们学校的男生和女生的身高分布。假设你在校园里随便找了100个男生和100个女生。他们共200个人。
Doctor_Gabby·2016-04-01 13:00

统计学习方法 李航---第11章 条件随机场

条件随机场可以用于不同的预测问题，本章主要讲述线性链(linearchain)条件随机场在标注问题的应用，这时问题变成了由输入序列对输出序列预测的判别模型，形式为对数线性模型，其学习方法通常是极大似然估计或
demon7639·2016-03-30 09:00

统计学习方法 李航---第9章 EM算法及其推广

第9章EM算法及其推广EM算法是一种迭代算法，用于含有隐变量(hiddenvariable)的概率模型参数的极大似然估计，或极大后验概率估计。
demon7639·2016-03-30 09:00

MachineLearning—Linear Regression（二）

知识储备极大似然估计：θ表示未知参数，也就是等待被估计的那个参数，x1,x2......xn是样本X1,X2......Xn的样本值，最大似然估计其结果就是用已知的样本中的样本值来估计表示
qq_14959801·2016-03-28 20:00

【机器学习】EM算法详细推导和讲解

众所周知，极大似然估计是一种应用很广泛的参数估计方法。例如我手头有一些东北人的身高的数据，又知道身高的概率模型是高斯分布，那么利用极大化似然函数的方法可以估计出高斯分布的两个参数，均值和方差。
lishuandao·2016-03-27 21:24

CS229的简单梳理（待续）

logistic感觉本质是一个线性模型（也难怪来自GLM），粗略理解成将线性模型映射成了概率；模型评价方法是极大似然估计。从GLM出发还可以得到so
qiusuoxiaozi·2016-03-21 09:00

机器学习：EM算法

用户含有隐变量的的概率模型参数的极大似然估计，或称极大后验概率估计法。EM应用：高斯混合模型、隐马尔可夫模型的模型学习。EM推广：GEM算法。
ztf312·2016-03-20 18:00
上一页 22 23 24 25 26 27 28 29 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他