在贝叶斯统计学中，“最大后验概率估计”是后验概率分布的众数。利用最大后验概率估计可以获得对实验数据中无法直接观察到的量的点估计。它与最大似然估计中的经典方法有密切关系，但是它使用了一个增广的最优化，进一步考虑了被估计量的先验概率分布。所以最大后验概率估计可以看作是规则化的最大似然估计。
数理统计学中，费希尔信息，或称费雪讯息数，通常记作
I
X
{\displaystyle {\mathcal {I}}_{X}}
，是衡量观测所得的随机变量
X
{\displaystyle X}
携带的关于未知母数
θ
{\displaystyle \theta }
的讯息量，其中
X
{\displaystyle X}
的概率分布依赖于母数
θ
{\displaystyle \theta }
。费希尔信息由统计学家罗纳德·费希尔在弗朗西斯·伊西德罗·埃奇沃思工作的基础上提出，现常用于最大似然估计和贝叶斯统计学中。
数理统计学中，费希尔信息，或称费雪讯息数，通常记作
I
X
{\displaystyle {\mathcal {I}}_{X}}
，是衡量观测所得的随机变量
X
{\displaystyle X}
携带的关于未知母数
θ
{\displaystyle \theta }
的讯息量，其中
X
{\displaystyle X}
的概率分布依赖于母数
θ
{\displaystyle \theta }
。费希尔信息由统计学家罗纳德·费希尔在弗朗西斯·伊西德罗·埃奇沃思工作的基础上提出，现常用于最大似然估计和贝叶斯统计学中。
数理统计学中，费希尔信息，或称费雪讯息数，通常记作
I
X
{\displaystyle {\mathcal {I}}_{X}}
，是衡量观测所得的随机变量
X
{\displaystyle X}
携带的关于未知母数
θ
{\displaystyle \theta }
的讯息量，其中
X
{\displaystyle X}
的概率分布依赖于母数
θ
{\displaystyle \theta }
。费希尔信息由统计学家罗纳德·费希尔在弗朗西斯·伊西德罗·埃奇沃思工作的基础上提出，现常用于最大似然估计和贝叶斯统计学中。
在数理统计学中，似然函数是一种关于统计模型中的母数的函数，表示模型参数中的似然性。似然函数在统计推论中有重大作用，如在最大似然估计和费雪信息之中的应用等等。文字意义上，“似然性”与“或然性”或“概率”意思相近，都是指某种事件发生的可能性，但是在统计学中，“似然性”和“概率”有明确的区分：概率，用于在已知一些参数的情况下，预测接下来在观测上所得到的结果；似然性，则是用于在已知某些观测所得到的结果时，对有关事物之性质的参数进行估值，也就是说已观察到某事件后，对相关母数进行猜测。
Good-Turing平滑法可处理N元语法中数据矩阵的稀疏问题，主要思想将非零N元语法的概率均匀分给一些低概率语法，以修改最大似然估计与真实概率之间的偏离。是使用的比较多的一种平滑算法。
在数理统计学中，似然函数是一种关于统计模型中的母数的函数，表示模型参数中的似然性。似然函数在统计推论中有重大作用，如在最大似然估计和费雪信息之中的应用等等。文字意义上，“似然性”与“或然性”或“概率”意思相近，都是指某种事件发生的可能性，但是在统计学中，“似然性”和“概率”有明确的区分：概率，用于在已知一些参数的情况下，预测接下来在观测上所得到的结果；似然性，则是用于在已知某些观测所得到的结果时，对有关事物之性质的参数进行估值，也就是说已观察到某事件后，对相关母数进行猜测。
在数理统计学中，似然函数是一种关于统计模型中的母数的函数，表示模型参数中的似然性。似然函数在统计推论中有重大作用，如在最大似然估计和费雪信息之中的应用等等。文字意义上，“似然性”与“或然性”或“概率”意思相近，都是指某种事件发生的可能性，但是在统计学中，“似然性”和“概率”有明确的区分：概率，用于在已知一些参数的情况下，预测接下来在观测上所得到的结果；似然性，则是用于在已知某些观测所得到的结果时，对有关事物之性质的参数进行估值，也就是说已观察到某事件后，对相关母数进行猜测。
Mini wiki
