模式识别2013参数估计 (6-1 最大似然估计 贝叶斯估计MLE BE).pdf

模式识别2013参数估计 (6-1 最大似然估计 贝叶斯估计MLE BE).pdf

  1. 1、本文档共62页,可阅读全部内容。
  2. 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
模式识别2013参数估计 (6-1 最大似然估计 贝叶斯估计MLE BE)

Ch5 模式识别原理 模式识别原理 统计判决中的参数估计 -Maximum likelihood and Bayesian parameter estimation 华中科技大学自动化学院 智能科学与技术系 图像分析与智能系统研究室 曹治国 邹腊梅 • 本章目的:已知类别的样本 (训练样本) → 学习或训练→获得类概密 2 5 Parameter Estimation •In Chapter 4, we learned how to design an optimal classifier if we knew the prior probabilities P(), and class-conditional i densities p(x|). i •What can we do if we do not have this information? •What limitations will we face? There are two common approaches to parameter estimation: maximum likelihood estimation and Bayesian estimation. •Maximum likelihood: treat the parameters as quantities whose values are fixed but unknown. •Bayes: treat the parameters as random variables having some known prior distribution. Observations of samples converts this to a posterior. •Bayesian learning: sharpen the a posteriori density causing it to peak near the true value. 5.1 统计推断概述 参数估计   如果已知  类的概密 p(x ) 的函数类型,即知道 i i i类的概型,但不知道其中的参数或参数集            i ( 1 , 2 , , m) 可采用参数估计的方法   ,  确定未知参数 ,当解得这些参数 后p(x )也就确定了。 i 参数估计有两类方法: 1. 将参数作为非随机量处理,如矩法估计、 最大似然估计; 2. 将参数作为随机变量,贝叶斯估计就属此 类。

文档评论(0)

dajuhyy + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档