베이지안 추정치와 최대 우도 추정치의 차이를 설명해주십시오.
베이지안 추정치와 최대 우도 추정치의 차이를 설명해주십시오.
답변:
그것은 매우 광범위한 질문이며 여기서 내 대답은 표면을 조금 긁기 시작합니다. Bayes의 규칙을 사용하여 개념을 설명하겠습니다.
확률 분포 모수 ( )가 데이터 세트 ( D)를 가장 잘 설명 한다고 가정하자 . Bayes 'Rule의 도움으로 매개 변수 θ 를 추정 할 수 있습니다 .
설명은 다음과 같습니다.
최대 가능성 추정
다시 말해, 위의 방정식에서 MLE는 항을 처리합니다.
베이지안 추정
이는 베이지안 추정에서 '접합 사전'개념으로 이어진다. 주어진 우도 함수에 대해, 우리가 이전의 신념을 표현하는 방법에 대한 선택이있는 경우, 위에 표시된 통합을 수행 할 수있는 형식을 사용해야합니다. COOlSerdash 는 이 글 에서 켤레 이전의 개념과 실제 구현 방법에 대해 잘 설명 하고 있습니다.
데이터 추론 메커니즘에 대한 파라 메트릭 확률 모델을 가정 할 수 있지만 모수의 실제 값은 알 수 없습니다.
최대 우도 추정은 데이터에 대한 확률 모델을 사용하고 하나 이상의 파라미터에 대해 관측 된 데이터의 공동 우도 함수를 최적화하는 것을 말합니다. 따라서 추정 된 매개 변수는 매개 변수 공간의 다른 매개 변수와 비교하여 관측 된 데이터와 가장 일치합니다. 매개 변수가 임의의 변수가 아니기 때문에 이러한 우도 함수는 반드시 매개 변수에 대해 "조건부"인 것으로 간주되지 않으므로 두 개의 다른 모수화를 비교하는 다양한 결과의 가능성을 생각하는 것이 다소 더 복잡합니다. 이것은 철학적으로 건전한 접근 방식으로 밝혀졌습니다.
베이지안 추정은 좀 더 일반적입니다. 왜냐하면 우리는 반드시 가능성의 베이지안 유사체 (후부 밀도)를 최대화하지는 않기 때문입니다. 그러나, 유사한 유형의 추정 (또는 사후 모드 추정)은 데이터에 따라 사후 파라미터의 확률을 최대화하는 것으로 보인다. 일반적으로 이러한 방식으로 얻은 Bayes의 추정치는 ML의 추정과 거의 동일하게 작동합니다. 주요 차이점은 Bayes 추론을 통해 명시적인 방법으로 이전 정보를 통합 할 수 있다는 것입니다.
또한 '최대 가능성의 서사시 역사가
베이지안 추정은 베이지안 추론이고 MLE는 빈번한 추론 방법의 한 유형입니다.
베이지안 추론에서 MLE의 대안은 최대 사후 추정 (MAP)으로 불리며, 실제로 MLE는 위와 같이 Wikipedia에 명시된 바와 같이 사전이 균일 한 MAP의 특별한 경우입니다 .
베이지안 추론의 관점에서, MLE는 파라미터의 균일 한 사전 분포를 가정하는 최대 사후 추정 (MAP)의 특별한 경우이다.
자세한 내용은 MLE vs MAP : Maximum Likelihood와 Maximum A Posteriori Estimation의 관련 기사를 참조하십시오 .
또 다른 차이점은 최대 가능성이 과적 합하기 쉽다는 것입니다. 그러나 베이지안 접근 방식을 채택하면 과적 합 문제를 피할 수 있습니다.