极大似然估计与机器学习

布满荆棘的人生 2023-07-20 08:25 102阅读 0赞

# 1极大似然估计 #

极大似然估计方法（Maximum Likelihood Estimate，MLE）也称为最大概似估计或最大似然估计，属于概率统计学课里的一种方法。  
极大似然估计的目的是解决**模型已定，参数未知**的问题，和贝叶斯公式**由果推因**的目的有很多相似之处。  
例如，已知人的身高服从正态分布，即概率密度函数 f f f已知。此时从人群中抽取了100个人，获取了他们的身高。极大似然估计做的事情就是利用这两个条件(身高服从正态分布，100个人的身高)，来估计人的身高的正态分布的两个参数 μ , σ \\mu ,\\sigma μ,σ。  
极大似然估计基于的原理就是：在所有可能的结果中，获得这些样本的可能性是最大的。或者说，概率分布已知，我在里面抽取样本有无数种可能，可是我**为什么就抽取了这些样本，而不是别的样本**？说明这些样本出现的概率是最大的。  
我们假设样本之间是独立的，那么同时抽到 n n n个样本的概率用公式表示为：

p ( x 1 , x 2 , . . . , x n ∣ θ ) = p ( x 1 ∣ θ ) p ( x 2 ∣ θ ) . . . p ( x n ∣ θ ) p(x\_1,x\_2,...,x\_n|\\theta)=p(x\_1|\\theta)p(x\_2|\\theta)...p(x\_n|\\theta) p(x1,x2,...,xn∣θ)=p(x1∣θ)p(x2∣θ)...p(xn∣θ)  
里面的 p ( x i ∣ θ ) p(x\_i|\\theta) p(xi∣θ)可以利用之前已知的概率分布函数进行计算。  
可以发现， p ( x 1 , x 2 , . . . , x n ∣ θ ) p(x\_1,x\_2,...,x\_n|\\theta) p(x1,x2,...,xn∣θ)是一个关于参数 θ \\theta θ的函数，为了后期更方便求导，对于 p ( x 1 , x 2 , . . . , x n ∣ θ ) p(x\_1,x\_2,...,x\_n|\\theta) p(x1,x2,...,xn∣θ)取对数，并记为 L ( θ ) L(\\theta) L(θ):  
 L ( θ ) = l o g ( p ( x 1 , x 2 , . . . , x n ∣ θ ) ) = l o g ( p ( x 1 ∣ θ ) ) + l o g ( p ( x 2 ∣ θ ) ) + . . . + l o g ( p ( x n ∣ θ ) ) L(\\theta)=log(p(x\_1,x\_2,...,x\_n|\\theta))=log(p(x\_1|\\theta))+log(p(x\_2|\\theta))+...+log(p(x\_n|\\theta)) L(θ)=log(p(x1,x2,...,xn∣θ))=log(p(x1∣θ))\+log(p(x2∣θ))\+...\+log(p(xn∣θ))  
针对参数 θ \\theta θ对 L ( θ ) L(\\theta) L(θ)求偏导，并让其等于0，通过解方程的方法即得到了参数 θ \\theta θ的最优解。

# 2 极大似然估计与机器学习 #

按照一个一般的机器学习分类，可以分为如下图所示的几个部分（图片来自网络）。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzQ4MzM4MQ_size_16_color_FFFFFF_t_70_pic_center]  
但是无论是哪种方法，仿佛都是在寻找一个最优的模型，这里面的模型主要指的就是这些**特定的算法下的特定的参数的组合**。因为在面对一个机器学习问题时，很少有人会独创一套新的算法，基本上就是先在所有算法中找一个最适合的算法，再通过人工或者自动参数更新的方式找到一组最优的参数，这个算法+最优参数的组合就叫模型。  
可以发现，机器学习本身也是一种由数据（有标签或无标签）推测模型的过程，与极大似然估计十分类似。粗糙点说，极大似然的概率密度函数就像是机器学习的算法，要用偏导求得的参数就相当于机器学习里的参数（不是超参数，虽然有些算法只有超参数，这是一个大概的理解）。  
因此，无论是极大似然还是机器学习，都是想根据**给定的数据找到一个最合适的模型，并且都要求数据本身独立同分布**。这个数据在机器学习里是广义的，包括有标签数据、无标签数据，甚至是强化学习的环境模型。

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl80MzQ4MzM4MQ_size_16_color_FFFFFF_t_70_pic_center]: /images/20230528/4c1ed60856144cf19bd3fd87ab5ccd87.png