सामान्य वितरणों के लिए MLE

डेटा से अनुमान, आकलन और निर्णय निर्माण

MLE विधि हमेशा वही: लॉग-संभावना लिखें, पैरामीटर के सापेक्ष अवकलज लें, शून्य पर रखें, हल करें। दो वितरणों के लिए जो आप सबसे अधिक मिलेंगे, उत्तर सुंदर सरल: बस एक नमूना औसत।

एक सामान्य वितरण से डेटा के लिए, लॉग-संभावना अधिकतम सबसे सहज अनुमानक:

कल्पना करें कि आप यह अनुमान लगाने के लिए कि यह कितना पक्षपाती है, एक मुड़े हुए सिक्के को कई बार उछालते हैं। अधिकतम संभावना (Maximum likelihood) इसके बारे में परेशान नहीं होती है: चित (heads) की संभावना के लिए सबसे अच्छा एकल अनुमान आपके द्वारा वास्तव में देखे गए चित का अंश है। अनुमान p̂ एक औसत में बदल दी गई चल रही टैली (tally) से ज्यादा कुछ नहीं है, वही सादा नमूना माध्य (sample mean) x̄ भेष में है।

ML में इसका स्थानये संवृत रूप कारण हैं सबसे सरल मॉडल फिट तेज़। रैखिक प्रतिगमन गॉसीयन शोर अंतर्गत MLE और एक-शॉट संवृत-रूप हल। लॉजिस्टिक प्रतिगमन एक बर्नौली/श्रेणीबद्ध लेबल के लिए MLE, बिना संवृत रूप, लेकिन वही सिद्धांत ग्रेडिएंट चरण चलाता। विधि "लॉग-संभावना → अवकलज → शून्य" हर फिटिंग प्रक्रिया का कंकाल।
▶ सामान्य वितरणों के लिए MLE
← अधिकतम संभावना अनुमानबेज़ीयन अनुमान →