MLE 与 MAP 简介
最近看到一篇关于 MLE(Maximum Likelihood Estimation) 和 MAP（Maximum A Posteriori) 的文章，写的很好，非常值得一看，文章链接为 聊一聊机器学习的MLE和MAP：最大似然估计和最大后验估计，本文几乎不加修改地转载了文章，侵删。
概述
有时候和别人聊天，对方会说自己有很多机器学习经验，深入一聊发现，对方竟然对MLE和MAP一知半解，至少在我看来，这位同学的机器学习基础并不扎实。难道在这个深度学习盛行的年代，不少同学都只注重调参数？
现代机器学习的终极问题都会转化为解目标函数的优化问题，MLE 和 MAP 是生成这个函数的很基本的思想，因此我们对二者的认知是非常重要的。这次就和大家认真聊一聊 MLE 和 MAP 这两种 estimator。
两大学派的争论
抽象一点来讲，频率学派(Frequentist)和贝叶斯学派(Bayesian)对世界的认知有本质不同：频率学派认为世界是确定的，有一个本体，这个本体的真值是不变的，我们的目标就是要找到这个真值或真值所在的范围；而贝叶斯学派认为世界是不确定的，人们对世界先有一个预判，而后通过观测数据对这个预判做调整，我们的目标是要找到最优的描述这个世界的概率分布。
在对事物建模时，用 \(\theta\) 表示模型的参数，解决问题的本质就是求 \(\theta\) 。那么频率学派和贝叶斯学派的区别在于：
频率学派：存在唯一真值 \(\theta\) 。举一个简单直观的例子--抛硬币，我们用 \(P(head)\) 来表示硬币的 bias。抛一枚硬币100次，有20次正面朝上，要估计抛硬币正面朝上的 bias \(P(head)=\theta\) 。在频率学派来看，\(\theta\) = 20 / 100 = 0.2，很直观。当数据量趋于无穷时，这种方法能给出精准的估计；然而缺乏数据时则可能产生严重的偏差。例如，对于一枚均匀硬币，即 \(\theta\) = 0.5，抛掷5次，出现5次正面 (这种情况出现的概率是 1/2^5=3.125%)，频率学派会直接估计这枚硬币 \(\theta\) = 1，出现严重错误。
贝叶斯学派： \(\theta\) 是一个随机变量，符合一定的概率分布。在贝叶斯学派里有两大输入和一大输出，输入是先验 (prior) 和似然 (likelihood)，输出是后验 (posterior)。先验，即 \(P(\theta)\) ，指的是在没有观测到任何数据时对 的预先判断，例如给我一个硬币，一种可行的先验是认为这个硬币有很大的概率是均匀的，有较小的概率是是不均匀的；似然，即 \(P(X|\theta)\) ，是假设 \(\theta\) 已知后我们观察到的数据应该是什么样子的；后验，即 \(P(\theta|X)\) ，是最终的参数分布。贝叶斯估计的基础是贝叶斯公式，如下：
\[P(\theta|X)=\frac{P(X|\theta) \times P(\theta)}{P(X)}\]
同样是抛硬币的例子，对一枚均匀硬币抛5次得到5次正面，如果先验认为大概率下这个硬币是均匀的 (例如最大值取在0.5处的Beta分布)，那么 \(P(head)\) ，即 \(P(\theta|X)\) ，是一个distribution，最大值会介于0.5~1之间，而不是武断的 \(\theta\) = 1。
这里有两点值得注意的地方：
- 随着数据量的增加，参数分布会越来越向数据靠拢，先验的影响力会越来越小
- 如果先验是 uniform distribution，则贝叶斯方法等价于频率方法。因为直观上来讲，先验是uniform distribution本质上表示对事物没有任何预判
MLE - 最大似然估计
Maximum Likelihood Estimation, MLE是频率学派常用的估计方法！
假设数据 \(x_1, x_2, ..., x_n\) 是 i.i.d.的一组抽样，\(X = (x_1, x_2, ..., x_n)\) 。其中i.i.d.表示Independent and identical distribution，独立同分布。那么MLE对 \(\theta\) 的估计方法可以如下推导：
\[\begin{align*} \hat{\theta}_\text{MLE} &= \arg \max P(X; \theta) \\\ &= \arg \max P(x_1; \theta) P(x_2; \theta) \cdot\cdot\cdot\cdot P(x_n;\theta) \\\ & = \arg \max\log \prod_{i=1}^{n} P(x_i; \theta) \\\ &= \arg \max \sum_{i=1}^{n} \log P(x_i; \theta) \\\ &= \arg \min - \sum_{i=1}^{n} \log P(x_i; \theta) \end{align*}\]
最后这一行所优化的函数被称为 Negative Log Likelihood (NLL)，这个概念和上面的推导是非常重要的！
我们经常在不经意间使用MLE，例如
上文中关于频率学派求硬币概率的例子，其方法其实本质是由优化NLL得出。 给定一些数据，求对应的高斯分布时，我们经常会算这些数据点的均值和方差然后带入到高斯分布的公式，其理论依据是优化NLL 深度学习做分类任务时所用的cross entropy loss，其本质也是MLE
MAP - 最大后验估计
Maximum A Posteriori, MAP是贝叶斯学派常用的估计方法！
同样的，假设数据 \(x_1, x_2, ..., x_n\) 是i.i.d.的一组抽样，\(X = (x_1, x_2, ..., x_n)\) 。那么MAP对 \(\theta\) 的估计方法可以如下推导：
\[\begin{align*} \hat{\theta}_\text{MAP} &= \arg \max P(\theta | X) \\\ &= \arg \min -\log P(\theta | X) \\\ & = \arg \min -\log P(X|\theta) - \log P(\theta) + \log P(X) \\\ &= \arg \min -\log P(X|\theta ) - \log P(\theta) \end{align*}\]
其中，第二行到第三行使用了贝叶斯定理，第三行到第四行 \(P(X)\) 可以丢掉因为与 \(\theta\) 无关。注意 \(-\log P(X|\theta )\) 其实就是NLL，所以MLE和MAP在优化时的不同就是在于先验项 \(- \log P(\theta)\) 。好的，那现在我们来研究一下这个先验项，假定先验是一个高斯分布，即
\[P(\theta) = \text{constant} \times e^{-\frac{\theta^2}{2\sigma^2}}\]
那么， \(-\log P(\theta) = \text{constant} + \frac{\theta^2}{2\sigma^2}\) 。至此，一件神奇的事情发生了：
在MAP中使用一个高斯分布的先验等价于在MLE中采用L2的regularizaton！
参考: