MAP(MaximumaPosteriori)算法简介

MAP（MaximumaPosteriori）算法简介

注意

1 密度估计(Density Estimation)

黎曼怎么去给⼀个观测到的数据集估计出⼀个联合概率分布是⽐较常见的问题。⽐如说，给定⼀系列的观测值 , 每⼀个观测值都彼此独⽴的情况下，密度估计要选择⼀个概率分布模型，以及选择对应的最能够表达出X的联合概率的参数。一个粗瓷大碗

最常见的两种⽅法有MAP和MLE（最⼤似然估计）。两种⽅法都要求到并且优化⼀个模型以及它的参数来表达已知观测值。

在MAP中，在已知的概率分布模型和参数下，我们希望能够最⼤化观测到数据的可能性：

所以我们要到⼀组参数，让上⾯的式⼦的结果最⼤。

2 MAP

商场现代化

中华女子学院山东分院⾸先回顾⼀下基本的贝叶斯概率公式：

小夜曲托斯蒂

因为我们只管最⼤化，所以把下⾯的丢掉，使得

所以：

晋平公浮西河所以我们只需要得到：

3 MAP vs MLE

MAP⽐较适合那些已经有了先验信息的问题，⽐如说在说话⼈识别中，GMM-UBM的训练就依赖于UBM的训练结果，从那⾥出发只需要微调参数就可以得到⽬标说话⼈的GMM参数。

本文发布于:2024-09-20 21:15:22，感谢您对本站的认可！

标签：参数观测模型选择概率分布表达联合

留言与评论（共有 0 条评论）