Intro

众所周知，机器学习的过程一般分两个要点，第一是“模型”，第二是“优化”。“模型”这一点很好理解，就是要找到适合用于解决手头上预测问题的模型。机器学习训练过程的核心在于“优化”。而训练（trianing）一般可以分成以下几个步骤：

定义假设空间H：即选择模型，不同的模型对应的就是不同的假设空间。
定义损失函数：选择合适的损失函数，来衡量每次训练迭代的效果。比如MSE、LogLoss等。
决定训练复杂度：决定用什么样的正则化，预防过拟合。
定义优化算法：在训练迭代中，使用什么算法来得到模型参数最优解。例如梯度下降、MCMC等。
验证结果：在测试集上使用前几步输出的模型，验证预测结果的有效性。

本文主要讨论优化算法部分最常见的三种策略：最大似然估计-MLE、最大后验概率-MAP、贝叶斯估计—Bayesian。

1. 似然函数 & 贝叶斯公式

先说似然函数吧，学过概率论的同学们，看到这个公式肯定都不陌生：

$$P(A|B)$$

但我们学的时候多半是按概率函数来理解的，但其实他也可以按似然函数来理解。作为概率函数，这个公式的含义是：B 代表已知的条件，P(A|B) 代表在 B 这个已知的条件下 A 发生的概率。

但对于似然函数有着完全相反的理解：B 代表不同的模型参数，P(A|B) 是指在不同模型参数下，固定的 A 发生的概率。

当然，对于似然函数来说，更常见的写法可能是 $$P(x|\theta)$$，其中 x 是数据集中的样本点，theta 是模型参数的意思。

贝叶斯公式，可能也是机器学习初学者一定要过的一关。但我在初学的时候，完全没有get到这个公式对于机器学习的意义。直到我把今天要讨论的三个优化策略放在一起对比。要理解贝叶斯公式本身，首先还是要有一点概率基础。首先贝叶斯公式形状如下：

$$P(A|B) = P(B|A)*P(A)/P(B)$$

一言以蔽之，贝叶斯定理是关于随机事件A和B的条件概率的一则定理。把公式中的四项全部拆开来看呢，分别是这样的定义：

P(A) 是 A 的先验概率。之所以称为”先验”是因为它不考虑任何 B 方面的因素
P(A|B) 是已知 B 发生后 A 的条件概率，也由于得自 B 的取值而被称作 A 的后验概率
P(B|A) 是已知 A 发生后 B 的条件概率，通常称为相似度（likelihood）
P(B) 是 B 的先验概率或边缘概率，也作标准化常量（normalized constant）

转化一下之后，贝叶斯定理可以理解为：

后验概率 = (相似度 * 先验概率) / 标准化常量

本文后面讨论的三个策略，跟以上两个公式的理解，都有非常大的关系。

2. 最大似然估计 - MLE

最大似然估计，是三者中最简单页也最好理解的一种。直白点讲，它其实就是贝叶斯定理中“相似度”那一项 P(B|A)。因此得名最大（maximum）似然（likelihood），其实就是要找到这一项的最大值所对应的模型参数。

以一个教科书式的例子来说明好了，假设我们有一枚硬币，我们不知道它是否均匀，想通过N次抛掷，然后记录正反面出现的概率来决定。于是我们对它进行了10次抛掷，最后结果是：7次正面、3次反面。如果一个人秉持最大似然估计的想法来得出这个问题的结论的话，那他的结论会是：这个硬币不均匀，正面出现的概率是 0.7 ，反面是 0.3。

但其实常识告诉我们，10次中有7次正面，其实只是运气不好。如果再抛掷10次，没准就7次反面了。所以肯定没有人会相信上面这个结论。但我们如何改进呢？抛掷更多次当然是一个选项，但在建模过程中，数据量通常是固定的，要获取更多的数据一般是不大现实的。因此，我们需要另辟蹊径。就像刚刚说到的，常识会告诉我们这个结论明显有问题。那有没有办法把这个“常识”作为一个因子引入到我们的模型里呢？当然可以，它其实就是“先验概率”。这就引出了下面要讨论的“最大后验概率”。

3. 最大后验概率 - MAP

那么，如果我们先验地知道，正面概率更接近 0.5 这件事情，那其实最终得出的后验概率，肯定介于似然估计的 0.7 与先验概率的 0.5 之间。因此，可以看出引入了先验概率之后，我们的模型能够更接近真相。

如果再更深入的思考一下，其实 MLE 和 MAP 是有关联的，如果 P(theta) = 1，其实 MAP 就是 MLE。或者反过来看，当数据观测趋于无穷大时，似然估计本身提供的信息将远超于先验概率提供的信息，这时 MLE 和 MAP 也是基本一样的。

4. 贝叶斯估计 - Bayesian

现在让我们回想一下上面的 MLE 与 MAP。我们会发现，这两个策略的最终目的，都是找到一个最好的描述当前数据观测的模型。他们其实都属于“频率论（frequentist）”的思路。但“贝叶斯思想”是与频率论完全背道而驰的一种观点。贝叶斯估计的过程中，不会试图去寻找一个最佳的模型，而是得出所有参数可能性的重要性分布。当我们对新的样本预测的时候，就会让所有的模型一起去预测，但每个模型会有自己的权重（权重就是学出来的分布）。最终的决策由所有的估计根据其权重做出决策。是类似于ensemble的做法。

上面的解释可以说肯定一遍是看不懂了，在这篇博文中有个非常好的例子，盗用一下。

假设你有一个学术问题想要解决的时候，你可以联系到一个清华大学的班级，班里的同学可以帮助你去解决这个问题。这时候，你会怎么样利用这些学生来解决这个问题呢？我们可以分别用今天讨论的三个策略来套用到这个场景中。很显然，这个班级就是你的假设空间，班级中每个人都可能的一个模型实例。

最大似然估计的approach

按 MLE 的原理，你需要从系里选出过往成绩最好的学生，并让他去解答这个难题。比如我们可以选择过去三次考试中成绩最优秀的学生。

挑选出这些学生之后，就直接让他们去解决问题并给出结果了。其他的学生我们就当不存在。。。

这是一个很好的approach吗？是很简单，但明显很sloppy。万一这些学生只是考试厉害，实际的问题解决能力并不强呢？这个时候，请教一下他们的班主任、老师对他们的评价，也纳入到你的考虑中岂不是更好。这就是最大后验概率估计。

最大后验概率的approach

老师的评价作为先验概率，加入到我们的考虑中，对同学的选择当然会产生影响。

贝叶斯估计的approach

贝叶斯估计的方法，是让所有人都去参与回答张三的难题，但最后我们通过一些加权平均的方式获得最终的答案。这里你不是简单地选出几个同学，而是给每一个同学分配一个权值。权值的分布（Posterior Distribution）是怎么得出的呢？一些著名的算法如MCMC, Variational Method等等。

Summary

MLE（最大似然估计）：就是给定一个模型的参数，然后试着最大化likelihood。即给定参数的情况下，得到样本集的概率。目标是找到使前面概率最大的参数。逻辑回归都是基于 MLE 做的；但缺点是不会把我们的先验知识加入模型中。
MAP（最大后验估计）：最大化后验概率。
Bayesian：预测是考虑了所有可能的参数，即所有的参数空间。

Tags: statistics

← Pandas分组与聚合不只是线性回归（1）：稳健回归 →

最大似然估计、最大后验概率与贝叶斯估计