极大似然估计

极大似然估计和贝叶斯估计

转载于http://blog.sciencenet.cn/blog-520608-703219.html极大似然估计和贝叶斯估计分别代表了频率派和贝叶斯派的观点。
andyelvis·2015-01-05 15:00

贝叶斯估计和最大后验估计

极大似然估计和贝叶斯估计：http://blog.sciencenet.cn/blog-520608-703219
樂天·2015-01-03 11:00

最大似然估计的一个示例

最大似然估计（又“极大似然估计”，MaximumLikelihoodEstimate）：最大似然估计和最小二乘法怎么理解？
樂天·2015-01-03 11:00

机器学习问题方法总结

统计量，剪枝朴素贝叶斯非参数估计，贝叶斯估计线性判别分析Fishre判别，特征向量求解K最邻近相似度度量：欧氏距离、街区距离、编辑距离、向量夹角、Pearson相关系数逻辑斯谛回归（二值分类）参数估计（极大似然估计
shenxiaoming77·2014-11-24 13:00

EM算法原理详解

1.引言以前我们讨论的概率模型都是只含观测变量(observablevariable),即这些变量都是可以观测出来的，那么给定数据，可以直接使用极大似然估计的方法或者贝叶斯估计的方法；但是当模型含有隐变量
90Zeng·2014-11-20 14:00

从信息论的角度理解极大似然法

极大似然估计是一种概率论在统计学中的应用，建立在极大似然原理的基础上，极大似然原理的直观解释是：一个随机试验如有若干个可能的结果A、B、C、…，若在一次试验中，结果A出现，则一般认为试验条件对A出现有利
jteng·2014-11-06 20:00

粒子滤波的直白理解

www.docin.com/p-226748201.htmlhttp://blog.sina.com.cn/s/blog_62aaff660100pbf0.htmlPs：《粒子滤波算法研究现状及发展趋势》极大似然估计是建立在这样的思想上
chelseablood·2014-11-04 17:00

最小二乘法和极大似然估计

最小二乘法基本思想简单地说，最小二乘的思想就是要使得观测点和估计点的距离的平方和达到最小.这里的“二乘”指的是用平方来度量观测点与估计点的远近（在古汉语中“平方”称为“二乘”），“最小”指的是参数的估计值要保证各个观测点与估计点的距离的平方和达到最小  θ表示要求的参数，Yi为观测值(向量)，f（xi|θ)为理论值。最小二乘的作用用于得到回归方程的参数的一个最优估值。在统计学上，该估值可以很好的拟
luo86106·2014-10-27 16:00

从极大似然函数到EM算法

一、极大似然估计：大学概率论课程都有讲到参数估计的两种基本方法：极大似然估计、矩估计。
zbc1090549839·2014-08-13 18:00

EM算法(Expectation Maximization)

  EM算法(ExpectationMaximization)1极大似然估计   假设有如图1的X所示的抽取的n个学生某门课程的成绩，又知学生的成绩符合高斯分布f(x|μ,σ2)，求学生的成绩最符合哪种高斯分布
wenyusuran·2014-06-27 18:00

极大似然估计

极大似然估计，顾名思义是一种估计方法。既然是一种估计方法，我们至少必须搞清楚几个问题：估计什么？需要什么前提或假设？如何估计？估计的准确度如何？
·2014-04-23 23:00

参数估计（三）---贝叶斯估计

极大似然估计和极大后验概率估计，都求出了参数theta的值，而贝叶斯推断则不是，贝叶斯推断扩展了MAP（极大后验概率估计）方法，它根据参数的先验分布P(theta)和一系列观察X，求出参数theta的后验分布
u013884727·2014-04-12 21:00

参数估计（二）----极大后验概率估计

Maximumaposterioriestimation（极大后验概率估计），和ML（极大似然估计）相似，只不过是考虑了参数的先验分布。
u013884727·2014-04-12 18:00

参数估计（极大似然估计，极大后验概率估计，贝叶斯估计）

参数估计是学习一主题模型为基础的文本分析的先决条件，很多人直接看PLSA和LDA，看的云里雾里的，因为里面有很多的概率方面的术语和公式，比如likelihood，后验概率，共轭等。学习这些topicmodel，也不知道应该先去看什么，我认为，首先要看的就是参数估计。推荐一篇论文：Parameterestimationfortextanalysis。参数估计中，我们会遇到两个主要问题：（1）如何去估
u013884727·2014-04-12 17:00

为什么对高斯分布的方差的极大似然估计是有偏的？

本文要证明为什么对高斯分布的方差的极大似然估计是有偏的。同时，也说明为什么求样本方差时，分母是N-1而不是N。首先，明白两点，（1）极大似然法得到的高斯方差是什么形式（2）什么是有偏。
qykshr·2014-04-09 22:00

机器学习问题方法总结

统计量，剪枝朴素贝叶斯非参数估计，贝叶斯估计线性判别分析Fishre判别，特征向量求解K最邻近相似度度量：欧氏距离、街区距离、编辑距离、向量夹角、Pearson相关系数逻辑斯谛回归（二值分类）参数估计（极大似然估计
yhdzw·2014-02-28 10:00

EM算法及其应用（代码）

最近上模式识别的课需要做EM算法的作业，看了机器学习公开课及网上的一些例子，总结如下：（中间部分公式比较多，不能直接粘贴上去，为了方便用了截图，请见谅）概要适用问题EM算法是一种迭代算法，主要用于计算后验分布的众数或极大似然估计
wukk007·2014-01-01 15:31

EM算法及其应用（代码）

最近上模式识别的课需要做EM算法的作业，看了机器学习公开课及网上的一些例子，总结如下：（中间部分公式比较多，不能直接粘贴上去，为了方便用了截图，请见谅）概要适用问题EM算法是一种迭代算法，主要用于计算后验分布的众数或极大似然估计
fennvde007·2014-01-01 15:00

EM算法(Expectation Maximization)

EM算法(ExpectationMaximization)1极大似然估计假设有如图1的X所示的抽取的n个学生某门课程的成绩，又知学生的成绩符合高斯分布f(x|μ,σ2)，求学生的成绩最符合哪种高斯分布，
pi9nc·2013-10-03 10:50

EM算法(Expectation Maximization)

EM算法(ExpectationMaximization)1极大似然估计   假设有如图1的X所示的抽取的n个学生某门课程的成绩，又知学生的成绩符合高斯分布f(x|μ,σ2)，求学生的成绩最符合哪种高斯分布
pi9nc·2013-10-03 10:00

极大似然估计的朴素理解

原文：http://www.zhizhihu.com/html/y2010/1520.html最大似然法,英文名称是MaximumLikelihoodMethod，在统计中应用很广。这个方法的思想最早由高斯提出来，后来由菲舍加以推广并命名。最大似然法是要解决这样一个问题：给定一组数据和一个参数待定的模型，如何确定模型的参数，使得这个确定参数后的模型在所有模型中产生已知数据的概率最大。通俗一点讲，就
春泥面包·2013-08-29 16:42

极大似然估计的朴素理解

原文：http://www.zhizhihu.com/html/y2010/1520.html最大似然法,英文名称是MaximumLikelihoodMethod，在统计中应用很广。这个方法的思想最早由高斯提出来，后来由菲舍加以推广并命名。最大似然法是要解决这样一个问题：给定一组数据和一个参数待定的模型，如何确定模型的参数，使得这个确定参数后的模型在所有模型中产生已知数据的概率最大。通俗一点讲，就
chj90220·2013-08-29 16:00

最大似然估计和最大后验概率

极大似然估计和贝叶斯估计分别代表了频率派和贝叶斯派的观点。频率派认为，参数是客观存在的，只是未知而矣。
lzt1983·2013-08-21 07:00

贝叶斯分类器的分类及使用范围

1、高斯贝叶斯分类器：条件概率表示如下：参数  和  分别为相应类别的样本均值和方差，由极大似然估计获得应用范围：主要应用与连续的样本2、多项式贝叶斯分类器哦应用范围：文本分类3:、伯努利贝叶斯分类器应用范围
zc02051126·2013-08-14 09:00

参数估计（2）：极大似然，最大后验，贝叶斯推断以及最大熵

这时我们会发现各种各样的参数估计方法，例如极大似然估计、最大后验估计、贝叶斯推断、最大熵估计，等等。虽然方法各不相同，但实际上背后的道理大体一样。想要了解它们之间的联系
电子翔·2013-07-29 00:00

EM算法详解

1极大似然估计假设有如图1的X所示的抽取的n个学生某门课程的成绩，又知学生的成绩符合高斯分布f(x|μ,σ2)，求学生的成绩最符合哪种高斯分布，即μ和σ2最优值是什么？
Jlins·2013-07-19 20:04

EM算法详解

1极大似然估计   假设有如图1的X所示的抽取的n个学生某门课程的成绩，又知学生的成绩符合高斯分布f(x|μ,σ2)，求学生的成绩最符合哪种高斯分布，即μ和σ2最优值是什么？
dyllove98·2013-07-19 20:00

EM算法详解

EM算法详解1极大似然估计   假设有如图1的X所示的抽取的n个学生某门课程的成绩，又知学生的成绩符合高斯分布f(x|μ,σ2)，求学生的成绩最符合哪种高斯分布，即μ和σ2最优值是什么？
·2013-07-19 11:00

EM算法(Expectation Maximization)

1极大似然估计假设有如图1的X所示的抽取的n个学生某门课程的成绩，又知学生的成绩符合高斯分布f(x|μ,σ2)，求学生的成绩最符合哪种高斯分布，即μ和σ2最优值是什么？
weixin_30438813·2013-07-19 01:00

先验概率 后验概率 似然 极大似然估计 极大后验估计 共轭 概念

http://blog.csdn.net/hxxiaopei/article/details/8034184   最近在看LDA，里面涉及到 狄利克雷的概念，为了把这个事情搞明白，查了一些相关概率知识，   举个例子，掷硬币，伯努利实验 中随机变量x={正面,背面}，正面的概率μ为模型参数，假定做了N次试验，Data 中观察序列为X={正面，正面。。。。反面}，正面的次
speed847·2013-07-12 21:00

R语言: 极大似然估计实例

同济习题7.2某厂晶体管寿命服从E(lamda)指数分布,Lamda未知,且Lamda>0,随机抽取样本寿命如下(小时)518,612,713,388,434用极大似然估计其平均寿命指数分布:构造似然函数
span76·2013-05-30 15:00

Standford机器学习 线性回归Cost Function和Normal Equation的推导

在线性回归中，CostFunction是，关于这个公式的推导，首先由一个假设,其中满足高斯分布，.那么根据得出在这里，把看成是随机变量，那么服从高斯分布，，对于给定的X，theta要估计y的分布是怎么样的，极大似然估计函数为
usingnamespace_std·2013-05-04 16:00

EM算法及其应用（代码）

最近上模式识别的课需要做EM算法的作业，看了机器学习公开课及网上的一些例子，总结如下：（中间部分公式比较多，不能直接粘贴上去，为了方便用了截图，请见谅）概要适用问题EM算法是一种迭代算法，主要用于计算后验分布的众数或极大似然估计
chqb89·2013-04-30 15:48

先验概率 后验概率 似然 极大似然估计 极大后验估计 共轭 概念

最近在看LDA，里面涉及到狄利克雷的概念，为了把这个事情搞明白，查了一些相关概率知识，举个例子，掷硬币，伯努利实验中随机变量x={正面,背面}，正面的概率μ为模型参数，假定做了N次试验，Data中观察序列为X={正面，正面。。。。反面}，正面的次数为k，服从二项分布:p(X|μ)∼pk∗(1−P)(N−k)P(X|μ)则成为似然函数。针对观察到的随机变量(也就是Data)X，以及模型参数μ：P(X
jazywoo123·2013-04-23 23:00

机器学习问题方法总结

统计量，剪枝朴素贝叶斯非参数估计，贝叶斯估计线性判别分析Fishre判别，特征向量求解K最邻近相似度度量：欧氏距离、街区距离、编辑距离、向量夹角、Pearson相关系数逻辑斯谛回归（二值分类）参数估计（极大似然估计
·2013-04-18 09:00

各种算法的用途

EM算法是Dempster，Laind，Rubin于1977年提出的求参数极大似然估计的一种方法，它可以从非完整数据集中对参数进行MLE（极大似然估计）估计，是一种非常简单实用的学习算法。
xxx_zhi·2013-01-20 14:00

极大似然估计

极大似然估计，这是学术的名字。其实我理解就是，与真实发生概率非常接近的的估计。
bob007·2013-01-03 21:00

最大似然估计法

极大似然估计法是求估计的另一种方法。它最早由高斯提出。后来为费歇在1912年的文章中重新提出，并且证明了这个方法的一些性质。极大似然估计这一名称也是费歇给的。这是一种上前仍然得到广泛应用的方法。
wuwuwuwuwuwuwuwu·2012-12-03 11:00

R语言与点估计学习笔记（矩估计与MLE）

主要有：矩估计、极大似然估计、EM算法、最小二乘估计、刀切法（Jackknife）、自助法（Bootstrap）的相关内容。     点估计是参数估计的一个组成部分。
yujun7654321·2012-10-13 03:00

先验概率 后验概率 似然 极大似然估计 极大后验估计 共轭 概念

最近在看LDA，里面涉及到狄利克雷的概念，为了把这个事情搞明白，查了一些相关概率知识，举个例子，掷硬币，伯努利实验中随机变量x={正面,背面}，正面的概率μ为模型参数，假定做了N次试验，Data中观察序列为X={正面，正面。。。。反面}，正面的次数为k，服从二项分布:p(X|μ)∼pk∗(1−P)(N−k)P(X|μ)则成为似然函数。针对观察到的随机变量(也就是Data)X，以及模型参数μ：P(X
hxxiaopei·2012-09-30 16:00

EM Alogrithm

于是就有了极大似然估计，该方法思路很简单，计算出这些样本出现的分布概率公式，该公式肯定包含了这些参数作为公
vergilwang·2012-07-03 11:00

EM Alogrithm

于是就有了极大似然估计，该方法思路很简单，计算出这些样本出现的分布概率公式，该公式肯定包含了这些参数作为公式
wangran51·2012-07-03 11:00

最大似然估计 高斯分布 正态分布

极大似然估计法是求估计的另一种方法。它最早由高斯提出。后来为费歇在1912年的文章中重新提出，并且证明了这个方法的一些性质。极大似然估计这一名称也是费歇给的。这是一种上前仍然得到广泛应用的方法。
chenwq1988·2012-06-05 23:34

最大似然估计 高斯分布 正态分布

极大似然估计法是求估计的另一种方法。它最早由高斯提出。后来为费歇在1912年的文章中重新提出，并且证明了这个方法的一些性质。极大似然估计这一名称也是费歇给的。这是一种上前仍然得到广泛应用的方法。
chenwq·2012-06-05 23:00

EM(expectation maximization)理解以及推导过程

1.引入给定一个数据集合DataSet，观察变量是X，隐藏变量为Z，如果概率模型的变量都是观察变量，则直接利用极大似然估计法估计模型参数l(θ)=maxθ∑Ni=
hxxiaopei·2012-05-29 11:00

极大似然估计的朴素理解

最大似然法,英文名称是MaximumLikelihoodMethod，在统计中应用很广。这个方法的思想最早由高斯提出来，后来由菲舍加以推广并命名。最大似然法是要解决这样一个问题：给定一组数据和一个参数待定的模型，如何确定模型的参数，使得这个确定参数后的模型在所有模型中产生已知数据的概率最大。通俗一点讲，就是在什么情况下最有可能发生已知的事件。举个例子，假如有一个罐子，里面有黑白两种颜色的球，数目多
DreamD1987·2012-05-27 16:00

M-estimator M估计法 用于几何模型建立

最小平方估计和极大似然估计都是M估计法。M估计法由鲁棒的数据作为运行保证。一般地，一个M-estimation定义为一个估计函数为0的情况。这个估计函数经常是一些统计函数。
abcjennifer·2012-04-11 15:00

极大似然估计与最大似然估计

1、极大似然估计是一种目前仍然得到广泛应用的方法。它是建立在极大似然原理的基础上的一个统计方法，极大似然原理的直观想法是：一个随机试验如有若干个可能的结果A，B，C，…。
deepfuture·2012-04-10 09:00

极大似然估计与最大似然估计

1、极大似然估计是一种目前仍然得到广泛应用的方法。它是建立在极大似然原理的基础上的一个统计方法，极大似然原理的直观想法是：一个随机试验如有若干个可能的结果A，B，C，…。
deepfuture·2012-04-10 09:00

极大似然估计的渐进正态性

     《极大似然估计的Bahadur渐近有效性》，成平，《数学学报》，1980年06期asymptoticallyefficientestimator渐近有效估计量asymptoticallynormal
·2011-06-20 22:00
上一页 22 23 24 25 26 27 28 29 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他