简单的讨论一下参数估计理论
一、什么是参数估计
参数通常用来表示一个量,可以是标量也可以是有值向量。按照时间变化,也可以分为时常参数和时变参数。对于时常参数的估计称为参数估计。对于时变的参数估计称为状态估计,本文不研究。参数估计的包括两个主要的模型以及四个基本估计方法,如下图所示:
贝叶斯学派和频率学派最大的不同、根上的不同,就是在于模型 y=wx+b 其中的 w 和 b 两个参数,频率学派认为参数是固定的、也就是上面的非随机模型,只要通过不停的采样、不停的观测训练,就能够估算参数 w 和 b,因为它们是固定不变的;而贝叶斯学派相反,他们认为这些参数是变量,它们是服从一定的分布的,也就是上面的随机模型,这是它最根本的差别。通常上面两种也被称为点估计和区间估计。
二、四种基本的估计方法
2.1 最大似然估计
使得似然函数达到最大的x即为参数x的ML估计:
2.2 最小二乘估计
(我还是直接抄书吧。。。以下以上都来自《雷达数据处理及应用》)
2.3 最大后验估计
对于随机参数,由于已知其先验概率p(x),由贝叶斯准则:
可以求得其后验概率密度函数,使后验概率密度函数最大的x被称为参数x的最大后验估计,即:
2.4 最小均方误差估计
三、最大似然估计和最小二乘估计的对比
当模型是高斯分布时,最大似然估计和最小二乘估计是等价的。
发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/119451.html原文链接:https://javaforall.cn
【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛
【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...