[ML] 최대 우도 추정법(Maximum Likelihood Estimation, MLE)

최대 우도 추정법(Maximum Likelihood Estimation, MLE)

최대 우도 추정법(Maximum Likelihood Estimation,  MLE)는 확률변수에서 추출한 표본 값(관측 데이터)들을 토대로 우도(Likelihood)를 최대화하는 방향으로 확률변수의 모수(파라미터)를 추정한다

이 때 Likelihood를 최대화하는 parameter는 얻은 샘플로부터 모집단의 분포를 추정하였을 때 가장 적합한 parameter이다

 

그럼 여기서 우도(Likelihood)란 무엇인가?

 

우도 확률(Likelihood Probability, $P(X | w)$)

• 모델 파라미터(모수) 값을 잘 모르지만 안다고 가정했을 때, 주어진 데이터의 분포
• 따라서, 모델 파라미터(w)에 대한 함수로 데이터의 분포를 표현
• 각 샘플이 i.i.d(independent and identical distributed)하다고 가정 후, PDF(Probabilty Density Function, 확률 밀도함수)의 곱으로 표현

ex) 정규분포를 따르는 데이터에 대한 우도 확률

$w = \mu(평균), \sigma(분산)$
$PDF : \frac{1}{\sigma \sqrt{2 \pi}} e^{-\frac{1}{2} (\frac{x - \mu}{\sigma})^2}$
$Likelihood = \prod_i \frac{1}{\sigma \sqrt{2 \pi}} e^{-\frac{1}{2} (\frac{x_i - \mu}{\sigma})^2}$
$L(w | X) = P(X|w) = \prod_i P(x_k | w)$

 

※ 확률(Probability) vs 우도(Likelihood)

• 확률 : 관측값이 확률 분포 안에서 얼마의 확률로 존재하는가를 나타내는 값 
• 우도 : 특정한 값을 관측했을 떄, 이 관측치가 어떠한 확률분포에서 나왔는가 에 관한 값

왼쪽이 확률, 오른쪽이 우도 에 대한 설명

 

 

---

이제 다시 MLE 설명으로 돌아오겠습니다 !

최대 우도 추정법(Maximum Likelihood Estimation,  MLE)는 확률변수에서 추출한 표본 값(관측 데이터)들을 토대로 우도(Likelihood)를 최대화하는 방향으로 확률변수의 모수(파라미터)를 추정한다

 

• 즉, 현재의 데이터 분포가 가장 나올 확률이 가장 높은 파라미터를 추정한다
• $\hat{w} = \underset{c}{\arg\max} P(X | w)$
• 매운 간단해 보이는 파라미터 추정법이지만, 데이터에 따라 값이 민감하게 변화한다(즉, 데이터가 많을수록 좋다)

ex) 정규분포에서 독립추출한 표본

$X = {x_1, x_2, \cdots, x_n}$

$$\begin{array}{rl}& f_{\mu ,{\sigma }^2}(x_k)=\frac{1}{\sigma \sqrt{2\pi }}{e}^{-\frac{1}{2}(\frac{x_k-\mu }{\sigma }{)}^2}\\ & L(w|X)=P(X|w)=\prod _{i}P(x_k|w)=\prod _i\frac{1}{\sigma \sqrt{2\pi }}{e}^{-\frac{1}{2}(\frac{x_i-\mu }{\sigma }{)}^2}\\ & \log (L(w|X))=\sum _i\frac{1}{\sigma \sqrt{2\pi }}{e}^{-\frac{1}{2}(\frac{x_i-\mu }{\sigma }{)}^2}=\sum _i-\frac{(x_k-\mu {)}^2}{2{\sigma }^2}-\log (\sigma \sqrt{2\pi })\end{array}$$

 

여기서 $\log{(L(w | X))}$를 최대화하는 모수($\mu, \sigma$)를 추정해야한다

1. $\frac{\partial L}{\partial \mu} = 0 = \sum_i {x_k - \mu}{\sigma^2}$ ==> $\hat{\mu} = \frac{1}{n} \sum_i x_k$ 
2. $\frac{\partial L}{\partial \sigma} = 0 = \sum_i -\frac{(x_k -mu)^2}{ \sigma^2 } - \frac{1}{\sigma}$ ==> $\hat{\sigma}^2 = \frac{1}{n} \sum_i (x_k-\mu)^2$ 

위의 결과를 보면 모평균, 모분산과 같다