最大后验与最大似然
P(x|z) = P(z|x)P(x)/P(z) ~ P(z|x)P(x)
贝叶斯法则左侧P(x|z)通常被称为后验概率，右侧P(z|x)称为似然，P(x)称为先验．直接求后验分布是困难的，但是求一个状态最优估计，使得在该状态下后验概率最大化（MAP)则是可行的．
xmap = arg maxP(x|z) = arg maxP(z|x)P(x)
求解最大后验概率相当于最大化似然和先验的乘积．如果没有先验，即没有先验的位置信息，此时就没有了先验，那么，可以求解ｘ的最大似然估计（MLE)
xMLE = arg maxP(z|x)
直观讲，似然是指，＂在现在的位资下，可能产生怎样的观测数据＂．由于我们知道观测数据，所以最大化似然估计可以理解成：＂在什么样的状态下，最可能产生现在的观测到的数据＂．这就是最大似然估计的直观意义．
最大似然和最小二乘的关系．
最小二乘是以残差平方和最小为准则的参数估计方法．由于是已知观测，求解参数，所以是最大似然的一种，是以残差平方和最小为准测（残差平方和最小可以等效为认为参数服从正太分布即服从高斯分布）的最大似然方法．
标签：似然,后验,最大,maxP,先验,arg 来源： https://blog.csdn.net/fb_help/article/details/94745244
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。