机器学习 —— 概率图模型(学习：最大似然估计).doc_第1页
机器学习 —— 概率图模型(学习：最大似然估计).doc_第2页
机器学习 —— 概率图模型(学习：最大似然估计).doc_第3页
机器学习 —— 概率图模型(学习：最大似然估计).doc_第4页
机器学习 —— 概率图模型(学习：最大似然估计).doc_第5页
已阅读5页，还剩1页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

最大似然估计的目标是获取模型中的参数。前提是模型已经是半成品，万事俱备只欠参数。此外，对样本要求独立同分布（参数就一套）上图中x B(theta). 样本数为M.最大似然估计用似然函数作为优化目标，参数估计的过程为寻优过程。一般情况下认为，如果该参数使得数据发生的可能性最大，则该参数为最可能的一组参数。数学表达为下图：1、充分统计充分统计是从样本映射到某个向量的一个公式。这个公式必须满足甲样本映射结果的和，必须与乙样本映射结果的和相同。而且这个必须成立，与总体分布的参数无关。例子：样本均值，样本方差。这种求和一致性如果设计合理的情况下， 可以直接导出参数的 表达式比如在投硬币的统计模型中，T与H各自的数目就是充分统计量又比如在估计骰子的bias的统计模型中，我们只在乎各个数字出现的次数，而不在乎顺序。此时的充分统计量为骰子的数字在高斯模型中，可做以下分解：如果观测到x不同的值，则可断定，1，x,x2，是充分统计量。2、参数的极大似然估计在充分统计的条件下，参数的极大似然估计有着优雅的解析解。3、贝叶斯网络中的极大似然估计3.1、独立参数的贝叶斯网络在极大似然估计的观点中，参数是随机变量，其有着自己的模型。如果考虑一个概率图模型，那么在对参数进行估计时就必须考虑随机变量之间的交互关系。一个简单的未知参数贝叶斯网络如图所示：待估计的参数为theta_x,theta_y|x. 其中theta_x有两个取值，theta_y|x有四个取值。其解析表达式如下图：第二步使用了链式分解，第四步将参数进行分开表达。更一般的，有下式：第三部对调乘法，则后面简化为局部似然函数（某个随机变量的似然函数）。如果每个节点都有自己的独立参数，则最终的似然函数为局部似然函数的乘积。如果为表式CPD,则概率值就是参数值，那么又可简化为下式：故对于表式CPD的贝叶斯网络，theta_x|parents = x出现的次数/父节点总数（边际所有x的可能性）3.2 共享参数贝叶斯网络共享参数贝叶斯网络往往描述一个转移过程。机器人直走有一定概率走偏，方向偏了继续直走，下次走偏的模式依旧是一定的。估计“走偏函数”的参数实际上是用的就是共享参数贝叶斯网络。共享参数贝叶斯网络不能直接看作独立参数贝叶斯网络的特例。因为其要多一条限制即参数均相等。如果依旧使用独立参数贝叶斯模型，则参数无法统一。上述模型中sB(0,1)，故theta共有4种：0-1，0-0，1-1，1-0.第二步中，总次数T被分解成上述四种情况。ij实际表达的是i-j。一个更复杂些的共享参数贝叶斯网络如图：
人人文库> 全部分类> 教育资料 > 课设设计

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论