«Это третий день моего участия в ноябрьском испытании обновлений. Подробную информацию об этом событии см.:Вызов последнего обновления 2021 г."
Частотистская и байесовская школы, где оценка максимального правдоподобия принадлежит частотной школе, а максимальная апостериорная оценка принадлежит байесовской школе.
Оценка максимального правдоподобия (MLE)
В процессе машинного обучения первыми являются данные, затем данные представляют собой выборку полного набора данных, а затем сначала выбирают модель, соответствующую выборочным данным, или распределение вероятностей для описания распределения данных. модели можно просто понимать как набор функций, мы Чтобы найти оптимальную функцию в этих наборах функций, то есть найти оптимальный параметр функции в пространстве параметров функции, чем ближе заданное значение нашей функции к истинному значению, лучшее. Другими словами, чтобы найти распределение, чем оно ближе к истинному распределению, тем лучше, то соответствующие параметры этого распределения и есть то, что мы ищем.
Поэтому после выбора модели мы корректируем параметры, двигаясь к целевой функции, где параметры
Максимальная апостериорная оценка (MAP)
Максимальная апостериорная оценка является распространенным методом оценки параметров байесовских моделей. Выше в MLE мы знаем, что для MLE мы полагаемся только на имеющиеся выборки для оценки параметров, а при апостериорной оценке обработка данных также зависит от априорной.
потому что здесь
Как понимать эту формулу?Во-первых, давайте посмотрим на эти два