最似然算法

⑴ 最大似然算法里的 Euclidian distance metric是什么意思 怎么翻译

以下是英文统计学教科书有关Euclidean Distance的解释（你题目中的Euclidia跟我这里的Euclidean有一点点拼写上的差异，你的拼写与Distance配合时我很少见到，不过意思应该是一样的）
Euclidean Distance. One can think of the independent variables (in a regression equation) as defining a multidimensional space in which each observation can be plotted. The Euclidean distance is the geometric distance in that multidimensional space. It is computed as:
distance(x,y)={∑i (xi - yi )^2}^1/2
【^代表乘方号，公式中的i应为下标】因此，Euclidean Distance实际上就是指多维空间中任意两点的“普通”距离。所以，你的Euclidian distance metric应该翻译为欧几里得距离度量，简称为欧几里得距离或欧氏距离也是可以的。 公式中的先平方，再开方是为了使欧氏距离具有可加性，避免正负值抵消（这种抵消是不合理的）的情况出现。

补充回答：
在两维空间中，某一点X的坐标可以表示为(x1, x2) ，另一点Y的的坐标可以表示为 (y1, y2) 。
不难推断，在n维空间中，某一点X的坐标可以表示为(x1, x2,..., xn) ，另一点Y的的坐标可以表示为 (y1, y2,..., yn) 。要计算X与Y的距离，就要使用上面列出的公式。由于X和Y这两个点是在n维空间中，因此公式中自然有n个项之和。

⑵ 最大似然法的定义

最大似然估计是一种统计方法，它用来求一个样本集的相关概率密度函数的参数。这个方法最早是遗传学家以及统计学家罗纳德·费雪爵士在 1912 年至1922 年间开始使用的。
最大似然法明确地使用概率模型， 其目标是寻找能够以较高概率产生观察数据的系统发生树。 最大似然法是一类完全基于统计的系统发生树重建方法的代表。该方法在每组序列比对中考虑了每个核苷酸替换的概率。
例如，转换出现的概率大约是颠换的三倍。在一个三条序列的比对中，如果发现其中有一列为一个C，一个 T和一个 G，我们有理由认为，C和 T所在的序列之间的关系很有可能更接近。由于被研究序列的共同祖先序列是未知的，概率的计算变得复杂；又由于可能在一个位点或多个位点发生多次替换，并且不是所有的位点都是相互独立，概率计算的复杂度进一步加大。尽管如此，还是能用客观标准来计算每个位点的概率， 计算表示序列关系的每棵可能的树的概率。 然后，根据定义，概率总和最大的那棵树最有可能是反映真实情况的系统发生树。

⑶ 概率论中的最大似然估计法的具体步骤是什么举例说明一下

http://..com/question/501531644.html
最大似然估计 是一种统计方法 ，它用来求一个样本集的相关概率密度函数的参数。这个方法最早是遗传学家以及统计学家罗纳德·费雪 爵士在1912年至1922年间开始使用的。 “似然”是对likelihood 的一种较为贴近文言文的翻译，“似然”用现代的中文来说即“可能性”。故而，若称之为“最大可能性估计”则更加通俗易懂。 最大似然估计的原理 给定一个概率分布D ，假定其概率密度函数（连续分布）或概率聚集函数（离散分布）为f D ，以及一个分布参数θ ，我们可以从这个分布中抽出一个具有n 个值的采样 ，通过利用f D ，我们就能计算出其概率： 但是，我们可能不知道θ 的值，尽管我们知道这些采样数据来自于分布D 。那么我们如何才能估计出θ 呢？一个自然的想法是从这个分布中抽出一个具有n 个值的采样X 1 ,X 2 ,...,X n ，然后用这些采样数据来估计θ . 一旦我们获得 ，我们就能从中找到一个关于θ 的估计。最大似然估计会寻找关于 θ 的最可能的值（即，在所有可能的θ 取值中，寻找一个值使这个采样的“可能性”最大化）。 这种方法正好同一些其他的估计方法不同，如θ 的非偏估计，非偏估计未必会输出一个最可能的值，而是会输出一个既不高估也不低估 的θ 值。 要在数学上实现最大似然估计法 ，我们首先要定义可能性 : 并且在θ 的所有取值上，使这个[[函数最大化。这个使可能性最大的值即被称为θ 的最大似然估计 。 注意 这里的可能性是指不变时，关于θ 的一个函数。 最大似然估计函数不一定是惟一的，甚至不一定存在。

http://..com/question/237077915.html 给出了一个好例子。

⑷ 求几何分布的最大似然估计值，要详细过程，求

由题知g（X；p）=p*(1-p)^(X-1)

∴L（p）=p*(1-p)^(X1-1)*p*(1-p)^(X2-1)…p*(1-p)^(Xn-1)=p^n*(1-p)^∑(Xi-1)

ln L(p)=n ln p+∑(Xi-1) ln(1-p)

d ln L(p)/d (p)=n/p-∑(Xi-1)/(1-p)

令d ln L(p)/d (p)=0,即n/p-∑(Xi-1)/(1-p)=0,∴p=1/（!X-1）

即 p=1/（!X-1）为p的最大似，然估计值

注明下 ∑（Xi-1)表示对（X1-1）到(Xn-1)求和

a^b表示a的b次方

(!X)表示X的平均值

p=1/（!X-1）中p的头上面应该加上^

(4)最似然算法扩展阅读：

最大似然法明确地使用概率模型，其目标是寻找能够以较高概率产生观察数据的系统发生树。最大似然法是一类完全基于统计的系统发生树重建方法的代表。该方法在每组序列比对中考虑了每个核苷酸替换的概率。

一旦获得，就能从中找到一个关于θ的估计。最大似然估计会寻找关于 θ的最可能的值（即，在所有可能的θ取值中，寻找一个值使这个采样的“可能性”最大化）。这种方法正好同一些其他的估计方法不同，如θ的非偏估计，非偏估计未必会输出一个最可能的值，而是会输出一个既不高估也不低估的θ值。

⑸ 最大似然法的含义

最大似然法是20世纪60年代末期由于对地震波和水声信号等处理的需要而发展起来的一种非线性谱估计方法。最早由J·凯佩用这种方法对空间阵列接收信号进行频率波数谱估值，后来推广到对时间信号序列的功率谱估值。

⑹ 最大似然估计的问题

还需要二阶导而负！不过在似然函数面前，大多数情况下，二阶导都是负的，你可以试试嘛，正如一楼说的，正因为是exponential family的缘故。

没错，是局部最大值，而不一定是global最大值。这还是要看你的似然函数，大多数似然函数都是简单的，唯一的那个局部最大值就是global最大值，只有当解非线性问题的时候，似然函数会比较复杂！这种情况就需要一些特殊的优化算法。

⑺ 遥感图像分类中最大似然法分类的优点

基于参数化密度分布模型的最大似然方法 (MLC)是遥感影像分类最常用手段之一 ,与其他非参数方法 (如神经网络 )相比较 ,它具有清晰的参数解释能力、易于与先验知识融合和算法简单而易于实施等优点。但是由于遥感信息的统计分布具有高度的复杂性和随机性 ,当特征空间中类别的分布比较离散而导致不能服从预先假设的分布 ,或者样本的选取不具有代表性 ,往往得到的分类结果会偏离实际情况。

⑻ 请教：如何正确理解最大似然估计

通俗的说吧。比如说一个骰子投出10次，点数都是6。你觉得哪种可能性大？
1、骰子是均匀的。
2、骰子不均匀，点数1的那头灌了铅
这时我们更愿意接受第二种估计，原因是在第二种假设下，“更有可能”出现10个6点。
可以说，这就是最大似然估计。
如果我们面临的是从多个可选答案中挑选正确答案的决策任务，那么“使得样本出现的可能性最大”可以作为决策的准则。这种估计方法就是最大似然法。

⑼ 求最大似然估计

似然函数L=(1-theta)*(theta^2)^2*(theta*(1-theta))
=(1-theta)^2*(theta)^5
log(L)=2log(1-theta)+5log(theta)
令log(L)对theta求导
=
-2/(1-theta)+5/theta=0
得到theta=5/7
即极大似然估计为theta=5/7
希望对你有帮助，望采纳，谢谢~