说人话搞懂【极大似然估计】和【最大后验概率】的区别！

marsggbo

发布于 2022-05-11 16:49:32

1.1K0

发布于 2022-05-11 16:49:32

文章被收录于专栏：AutoML(自动机器学习)AutoML(自动机器学习)AutoML(自动机器学习)

什么是先验/后验概率

我们先给出一些符号定义，令\theta 表示模型参数，D 表示数据。

先验概率比较好理解，比如 p(D) 就表示数据的先验概率（prior probability）。

但是在之前我经常搞不明白 p(D|\theta) 和p(\theta|D) 哪个才是后验概率（posterior probability）。其实二者都可以看做是后验概率，只不过少了定语。具体来说 p(D|\theta) 是数据 D 的后验概率，即已经告诉你模型参数 \theta 了，要你求数据的概率，所以是后验概率。同理p(\theta|D) 是告诉你数据后，让你求\theta 的后验概率。所以，要根据语境去判断哪个才是后验概率。

似然概率

下面介绍一下贝叶斯公式这个老朋友了，或者说是熟悉的陌生人。

p(\theta|D)=\frac{p(D|\theta)p(\theta)}{p(D)} \tag{1}

假设我们研究的对象是变量\theta ，那么此时先验概率就是 p(\theta) ，（\theta 的) 后验概率是p(\theta|D) 。

那p(D|\theta) 是什么呢？它就是本文的另一个主角：似然概率（likelihood probability）,顾名思义是给定参数\theta ，求数据是D 的概率是多少。

一般来说 p(\theta) 是不知道的或者说很难求解，但是我们可以知道后验概率和（似然概率乘以先验概率）呈正相关关系，所以p(\theta) 即使不知道也不影响对后验概率的求解。

极大似然估计与最大后验概率估计

极大似然估计（Maximum Likelihood Estimate, MLE）和最大后验概率估计（Maximum A Posteriori (MAP) estimation）其实是两个不同学派的方法论。

MLE是频率学派模型参数估计的常用方法，它的目的是想最大化已经发生的事情的概率。我们在用神经网络训练分类器的时候其实就可以理解成是MLE。具体来说，假设数据D 由一组数据样本组成，即D=\{d_1,...,d_n\} ，模型参数用\theta 表示，我们假设每个样本预测彼此独立，所以MLE的求解方式如下：

\begin{aligned} \hat{\theta}_{\mathrm{MLE}} &=\arg \max P(D ; \theta) \\ &=\arg \max P\left(d_{1} ; \theta\right) P\left(d_{2} ; \theta\right) \cdots P\left(d_{n} ; \theta\right) \\ &=\arg \max \log \prod_{i=1}^{n} P\left(d_{i} ; \theta\right) \\ &=\arg \max \sum_{i=1}^{n} \log P\left(d_{i} ; \theta\right) \\ &=\arg \min -\sum_{i=1}^{n} \log P\left(d_{i} ; \theta\right) \end{aligned} \tag{2}

可以看到，上面其实就是我们常用的交叉熵损失函数。那么如何用MAP来优化模型参数呢？公式如下：

\begin{aligned} \hat{\theta}_{\mathrm{MAP}} &=\arg \max P(\theta \mid D) \\ &=\arg \min -\log P(\theta \mid D) \\ &=\arg \min -\log P(D \mid \theta)-\log P(\theta)+\log P(D) \\ &=\arg \min -\log P(D \mid \theta)-\log P(\theta) \end{aligned} \tag{3}

可以看到 log(MAP(\theta))\approx log({MAP(\theta)})+log(\theta) 。而p(\theta) 其实就是常用的正则项，即对模型参数的约束。

本文参与腾讯云自媒体分享计划，分享自作者个人站点/博客。

原始发表：2022-04-10，如有侵权请联系 cloudcommunity@tencent.com 删除

map

probability

本文分享自作者个人站点/博客前往查看

如有侵权，请联系 cloudcommunity@tencent.com 删除。

本文参与腾讯云自媒体分享计划，欢迎热爱写作的你一起参与！

map

probability

登录后参与评论

0 条评论

热度