深入理解交叉熵损失 CrossEntropyLoss - 最大似然估计

本文主要是介绍深入理解交叉熵损失 CrossEntropyLoss - 最大似然估计，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

深入理解交叉熵损失 CrossEntropyLoss - 最大似然估计

flyfish

下面有详细的例子和公式的说明。

最大似然估计的概念

最大似然估计是一种统计方法，用来估计模型参数，使得在这些参数下观测到的数据出现的概率（即似然）最大。

具体步骤

1. 定义似然函数：

• 给定一个参数化的概率模型 $P(X|\theta )$，其中 $\theta$ 是模型的参数，$X$ 是观测数据。
• 似然函数 $L(\theta |X)$ 表示在参数 $\theta$ 下，观测数据 $X$ 出现的概率。

2. 计算似然函数：

• 对于独立同分布的数据集 { x 1 , x 2 , … , x n } \{x_1, x_2, \ldots, x_n\} {x1​,x2​,…,xn​}，似然函数是各数据点概率的乘积：
  $L(\theta |X)=P(X|\theta )={\prod }_{i=1}^{n}P(x_i|\theta )$

3. 取对数得到对数似然函数：

• 为了简化计算，通常取似然函数的对数，即对数似然函数：
  $\log L(\theta |X)={\sum }_{i=1}^n\log P(x_i|\theta )$

4. 最大化对数似然函数：

• 找到使对数似然函数最大的参数 $\theta$：
  $\hat{\theta }=\arg {\max }_{\theta }\log L(\theta |X)$

似然函数的定义

假设我们有一个概率模型 $P(X|\theta )$，其中 $\theta$ 是模型的参数，$X$ 是观测数据。似然函数 $L(\theta |X)$ 表示在参数 $\theta$ 下，观测数据 $X$ 出现的概率。

对于独立同分布的数据

如果我们有独立同分布的数据集 { x 1 , x 2 , … , x n } \{x_1, x_2, \ldots, x_n\} {x1​,x2​,…,xn​}，似然函数是各数据点概率的乘积：

$L(\theta |X)=P(X|\theta )={\prod }_{i=1}^{n}P(x_i|\theta )$

公式拆解

• $L(\theta |X)$：似然函数，表示参数 $\theta$ 给定的情况下，观测数据 $X$ 出现的概率。
• $\theta$：模型参数，我们希望估计的未知量。
• $X$：观测数据的集合。
• { x 1 , x 2 , … , x n } \{x_1, x_2, \ldots, x_n\} {x1​,x2​,…,xn​}：独立同分布的观测数据点。
• $P(X|\theta )$：观测数据 $X$ 在参数 $\theta$ 下的联合概率。
• ${\prod }_{i=1}^n$：从 1 到 $n$ 的乘积符号，表示对所有数据点的概率进行乘积。
• $P(x_i|\theta )$：单个数据点 $x_i$ 在参数 $\theta$ 下的概率。

对数似然函数

为了简化计算，通常我们对似然函数取对数，得到对数似然函数：

$\log L(\theta |X)={\sum }_{i=1}^n\log P(x_i|\theta )$

公式拆解

• $\log L(\theta |X)$：对数似然函数。
• ${\sum }_{i=1}^n$：从 1 到 $n$ 的求和符号，表示对所有数据点的对数概率求和。
• $\log P(x_i|\theta )$：单个数据点 $x_i$ 在参数 $\theta$ 下的对数概率。

举例说明：投掷硬币

假设我们投掷硬币10次，结果是6次正面朝上，我们希望估计硬币正面朝上的概率 $p$。

定义似然函数

对于二项分布，似然函数为：

$L(p|X)=(\genfrac{}{}{0ex}{}{10}{6})p^6(1-p{)}^4$

公式拆解

• $L(p|X)$：似然函数，表示在正面概率为 $p$ 的情况下，观测到6次正面和4次反面的概率。
• $\left(\genfrac{}{}{0ex}{}{10}{6}\right)$：组合数，表示从10次投掷中选择6次正面的组合数。
• $p^6$：正面出现6次的概率。
• $(1-p{)}^4$：反面出现4次的概率。

对数似然函数

对似然函数取对数：

$\log L(p|X)=\log \left(\left(\genfrac{}{}{0ex}{}{10}{6}\right)\right)+6\log (p)+4\log (1-p)$

最大化对数似然函数

通过求导数并设为0，可以找到使对数似然函数最大的参数 $p$：

$$\frac{d}{dp}\log L(p|X)=\frac{6}{p}-\frac{4}{1-p}=0$$

解这个方程得到：

$\frac{6}{p}=\frac{4}{1-p}$
$6(1-p)=4p$
$6-6p=4p$
$6=10p$
$p=\frac{6}{10}=0.6$

代码

import numpy as np
from scipy.optimize import minimize# 定义对数似然函数，加入小偏移量避免除零错误
def log_likelihood(p, data, epsilon=1e-10):n = len(data)k = np.sum(data)p = np.clip(p, epsilon, 1 - epsilon)  # 确保 p 在 (epsilon, 1 - epsilon) 之间return -(k * np.log(p) + (n - k) * np.log(1 - p))# 模拟数据：10次投掷，6次正面朝上
data = [1] * 6 + [0] * 4# 最大化对数似然函数
result = minimize(log_likelihood, x0=[0.5], args=(data), bounds=[(0, 1)])
p_hat = result.x[0]
print(f'Estimated probability of heads: {p_hat}')
Estimated probability of heads: 0.5999999961321424

最大化对数似然函数与最小化负对数似然函数在本质上是一样的。它们都是为了找到模型参数，使得观测数据在模型下的概率最大化。让我们详细解释一下这个关系。

对数似然函数

首先，我们有似然函数 $L(\theta |X)$，表示在参数 $\theta$ 下，观测数据 $X$ 出现的概率。为了简化计算，通常我们对似然函数取对数，得到对数似然函数：

$$\log L(\theta |X)$$

最大化对数似然函数就是找到参数 $\theta$，使得 $\log L(\theta |X)$ 最大化：

$$\hat{\theta }=\arg \underset{\theta }{\max }\log L(\theta |X)$$

负对数似然函数

负对数似然函数是对数似然函数取负号：

$$-\log L(\theta |X)$$

最小化负对数似然函数就是找到参数 $\theta$，使得 $-\log L(\theta |X)$ 最小化：

$$\hat{\theta }=\arg \underset{\theta }{\min }-\log L(\theta |X)$$

等价关系

最大化对数似然函数和最小化负对数似然函数在数学上是等价的。因为一个数的负数和这个数的大小关系相反，所以在求极值时：

$\arg {\max }_{\theta }\log L(\theta |X)=\arg {\min }_{\theta }-\log L(\theta |X)$

例子：投掷硬币

假设我们有10次投掷硬币的结果，6次正面朝上，我们希望估计正面朝上的概率 $p$。

1. 对数似然函数：
   $$\log L(p|X)=\log \left(\left(\genfrac{}{}{0ex}{}{10}{6}\right)\right)+6\log (p)+4\log (1-p)$$

2. 最大化对数似然函数：

$$\hat{p}=\arg \underset{p}{\max }\left[\log \left(\left(\genfrac{}{}{0ex}{}{10}{6}\right)\right)+6\log (p)+4\log (1-p)\right]$$

3. 负对数似然函数：
   $$-\log L(p|X)=-\log \left(\left(\genfrac{}{}{0ex}{}{10}{6}\right)\right)-6\log (p)-4\log (1-p)$$
4. 最小化负对数似然函数：

$$\hat{p}=\arg \underset{p}{\min }\left[-\log \left(\left(\genfrac{}{}{0ex}{}{10}{6}\right)\right)-6\log (p)-4\log (1-p)\right]$$

这篇关于深入理解交叉熵损失 CrossEntropyLoss - 最大似然估计的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---