0.相关概念

数据：X

参数：theta

假设概率模型为：x~p(x|theta) 【xi服从于p(x|theta)，并且是独立同分布(iid)】

明确先验、后验和似然的概念：

似然(likelihood)：p(X|theta)

先验(prior)：p(theta)：(随机变量)参数theta所服从的分布

后验(posterior)：p(theta|X)：

问题：参数估计问题，也就是求theta的值。

关于这个问题频率派常用最大似然估计方法（MLE），贝叶斯派常用最大后验估计方法（MAP）。

 

1.频率派的特点是将theta作为常量；X作为随机变量。常用最大似然估计（MLE）进行参数估计。MLE步骤为：

①首先搭建模型，

②然后将模型转化为优化问题（有 loss function）

③然后用不同的优化算法求解（比如梯度下降法，牛顿法等等）

代价函数为观测集的概率

因为是独立同分布，所以观测集概率可表示为连乘：

最大对数似然估计（MLE）方法求解theta：【加上log是为了将连乘转化为，方便运算。通过求解最大似然估计得到theta的值】

 

 

2.贝叶斯派的特点是将theta作为随机变量【theta~p(theta)】；X也作为随机变量。常用最大后验概率估计（MAP）进行参数估计。MAP步骤为：

①用贝叶斯定理将求解后验概率转化为求解似然和先验的积分问题：【 贝叶斯定理是用似然和先验求解后验的过程。】

②最大后验概率方法求解theta的值：

 

3.引申：

频率派后续引出一系列统计机器学习的方法，主要步骤为搭建模型，构造损失函数（loss funcion），选取优化算法进行优化，本质是优化问题。

贝叶斯派后续引出一些列概率图模型，主要是用数值方法求积分，因为在参数空间中求积分，所以转而寻找用概率图求积分的方法，常用MCMC、蒙特卡洛等方法。

传统贝叶斯估计需要求积分：

将后验概率用于贝叶斯预测：【通过theta将x_new和X解构】

 

 

参考资料：

https://www.bilibili.com/video/BV1aE411o7qd?p=2 ，B站机器学习白板推导，作者：shuhuai008