[参数方法] 贝叶斯估计(待补充)

Posted 小尾巴君

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了[参数方法] 贝叶斯估计(待补充)相关的知识,希望对你有一定的参考价值。

问题:给定一些样本X,给定一个参数theta的先验概率p(theta),如何建模估计x上的密度?

——————————————————————————————————————————

根据贝叶斯规则,为了估计x上的密度,有:

p(x | X) =  ∫p(x, theta | X)d(theta)

    = ∫p(x | theta, X)*p(theta | X)d(theta),由于如果给定了theta也就知道了X的分布

    = ∫p(x | theta)*p(theta | X)d(theta)

实际问题是theta存在概率上的变化,所以p(theta | X)有一个概率形式,p(theta | X)是一个复杂的形式,那么积分实在太难。

若做一个很简单的假定,只取theta在样本中(即p(theta | X))出现的众数,则p(theta | X)恒为1,式子就是一个似然估计。这种假定使得最大后验(maximum a posteriori, MAP)估计计算容易:

  p(x | X) = p(x | thetaMAP) ,其中thetaMAP = arg maxp(theta | X)。

然后这种假定确实过于简单粗暴了......

然而,另一种可能的方法贝叶斯估计登场的,贝叶斯估计被定义为后验概率的期望值。首先它做了参数theta的期望,可以用E[theta] = µ来预测。假设c是theta的估计,则

E[(theta - c)2] = E[(theta - µ + µ - c)2] = E[(theta - µ)2] + (µ - c)2

此时c = µ,值最小,在theta为正态密度情况下,众数是µ。此时贝叶斯估计和前面的MAP一致了

特殊例子,x服从N(theta, σ12)分布,theta又服从N(µ, σ22)分布,那么

可证p(theta | X)也是是正态的。

(待补充)

以上是关于[参数方法] 贝叶斯估计(待补充)的主要内容,如果未能解决你的问题,请参考以下文章

统计学习方法四 朴素贝叶斯分类

打分排序系统漫谈3 - 贝叶斯更新/平均

第七章 贝叶斯网络

贝叶斯分类器理论基础

频率派vs贝叶斯派

贝叶斯线性回归(Bayesian Linear Regression)