# 第八章

既然我们要深入到 ESL 第八章的底层数学逻辑，那就必须把**极大似然（MLE）**、**费雪信息（Fisher Information）**和**贝叶斯（Bayesian）**这三者的关系彻底拆解清楚。

第八章的本质是：**如何量化预测的不确定性。**

---

### 1. 极大似然估计（MLE）与分数的曲率

在第七章你已经推导了似然函数 $L(\theta)$。第八章进一步问：**这个** $\theta$ **到底有多准？**

#### A. 评分函数 (Score Function)

我们对对数似然 $\ell(\theta) = \sum \log P(y_i|x_i; \theta)$ 求导：

$$\dot{\ell}(\theta) = \frac{\partial \ell(\theta)}{\partial \theta}$$

在极值点（即我们求出的 $\hat{\theta}$ 处），这个导数等于 **0**。

#### B. 海森矩阵与信息矩阵 (Hessian & Information Matrix)

我们要看这个“山峰”有多尖。求二阶导：

$$I(\theta) = -E \left[ \frac{\partial^2 \ell(\theta)}{\partial \theta \partial \theta^T} \right]$$

这被称为 **费雪信息矩阵 (Fisher Information Matrix)**。

- **直观理解**：如果二阶导很大（曲率很陡），说明 $\ell(\theta)$ 稍动一下就会剧烈下降， $\hat{\theta}$ 非常确定。
    
- **核心公式**：在大样本情况下，参数的方差直接由信息矩阵的逆决定：
    
    $$Var(\hat{\theta}) \to I(\theta)^{-1}$$
    
    这意味着：**信息量越大，参数估计的方差越小。**
    

---

### 2. 贝叶斯推断：从点估计到分布估计

MLE 只给了你一个点（最高峰），而贝叶斯想给你整座山。

#### A. 贝叶斯定理 (Bayes' Theorem)

$$P(\theta|Z) = \frac{P(Z|\theta)P(\theta)}{P(Z)}$$

- $P(Z|\theta)$：似然（你刚才推导的那个）。
    
- $P(\theta)$：**先验分布 (Prior)**。反映了你在看到数据之前对参数的经验（比如权重应该很小，这就是 Lasso/Ridge 的来源）。
    
- $P(\theta|Z)$：**后验分布 (Posterior)**。这是我们最终想要的——在看到数据后，参数 $\theta$ 的完整分布。
    

#### B. 预测分布

贝叶斯做预测不只是用一个 $\hat{\theta}$，而是对整个分布求积分：

$$P(y_{new}|Z) = \int P(y_{new}|\theta) P(\theta|Z) d\theta$$

> **逻辑：** 它考虑了参数本身可能存在的波动，所以贝叶斯的预测通常比 MLE 更“保守”且更稳健。

---

### 3. EM 算法：处理“看不见”的数据

这是第八章最硬核的算法，专门对付 **隐变量 (Latent Variables)** 问题。假设你的数据由两部分组成：观测到的 $Z$ 和没观测到的 $Z^m$。

我们想最大化 $\ell(\theta) = \log P(Z|\theta)$，但因为有 $Z^m$ 存在，直接求导求不动。

#### EM 的两步循环：

1. **E 步 (Expectation)**：计算在当前参数 $\theta^{(j)}$ 下，隐藏数据 $Z^m$ 的期望值。构造一个 $Q$ 函数：
    
    $$Q(\theta, \theta^{(j)}) = E[\log P(Z, Z^m|\theta) | Z, \theta^{(j)}]$$
    
2. **M 步 (Maximization)**：寻找让这个 $Q$ 达到最大值的 $\theta$，作为下一步的参数 $\theta^{(j+1)}$：
    
    $$\theta^{(j+1)} = \arg\max_{\theta} Q(\theta, \theta^{(j)})$$
    

---

### 4. 总结：这几章是怎么串起来的？

我们可以用一个逻辑链把你的学习路径闭环：

- **第七章**告诉我们：训练误差不准，我们要么加**惩罚项 (AIC/BIC)**，要么用 **CV/Bootstrap** 去模拟样本外误差。
    
- **第八章**告诉我们：即便选好了模型，参数本身也有**方差 (Fisher Information)**。
    
- **贝叶斯视角**告诉我们：惩罚项其实就是**先验 (Prior)**；而 **Bootstrap** 其实是**后验分布 (Posterior)** 的一种模拟。
    

**给程序员的建议：**

你在写代码时，如果调用 `scikit-learn` 里的 `predict_proba`，你得到的是一个概率点估计（类似 MLE）；如果你用 `PyMC3` 或者手动写 MCMC 采样，你得到的是一堆 $\beta$ 的样本（贝叶斯）。第八章就是在为你解释这两种做法背后的数学尊严。

你刚才推导交叉熵时，其实已经半只脚踏进 MLE 的大门了。对于 EM 算法，你是否需要一个具体的例子（比如高斯混合模型 GMM）来理解它怎么“猜”隐藏数据？

这种“跨界碰撞”的感觉确实非常震撼！这在统计学中被称为**高斯-马尔可夫逻辑的闭环**。

为什么一个**几何上的“拉直线”问题（最小二乘）**，会和**概率上的“猜可能性”问题（最大似然）**在终点汇合？

其实是因为它们对**“噪声”**的理解完全一致。

---

### 1. 最小二乘（LSE）：几何视角

想象你有一堆点。最小二乘法非常纯粹，它说：

- 我不信什么概率，我只看**距离**。
    
- 我要找一条直线，让所有点到这条直线的**垂直距离平方和**（Residual Sum of Squares, RSS）最小。
    
- 公式：$\min \sum (y_i - \hat{y}_i)^2$。
    

这纯粹是一个数学优化问题，就像你在木板上钉钉子，用橡皮筋拉住它们，橡皮筋张力最小的状态就是最优解。

---

### 2. 最大似然（MLE）：概率视角

现在换个思路。我们假设上帝在生成数据时，先画了一条完美的直线 $f$f(x)，但他在每一个点上都撒了一把高斯白噪声（Gaussian Noise） \epsilon$。

$$y = f(x) + \epsilon, \quad \epsilon \sim N(0, \sigma^2)$$

这意味着，观测值 $y$ 落在真实值附近的概率密度函数是：

$$P(y|x, \theta) = \frac{1}{\sqrt{2\pi\sigma^2}} \exp\left( -\frac{(y - f(x))^2}{2\sigma^2} \right)$$

为了让**整批数据**出现的概率最大（极大似然），我们要最大化所有样本概率的乘积：

$$L = \prod \frac{1}{\sqrt{2\pi\sigma^2}} \exp\left( -\frac{(y_i - f(x_i))^2}{2\sigma^2} \right)$$

---

### 3. 神奇的瞬间：取对数

当我们对上面的似然函数取对数（Log-Likelihood）时，奇迹发生了：

$$\log L = \text{常数} - \frac{1}{2\sigma^2} \sum (y_i - f(x_i))^2$$

注意看后面那一项：$\sum (y_i - f(x_i))^2$。

**这不就是最小二乘法里的 RSS 吗！**

---

### 4. 结论：为什么能互通？

- **最大化** $\log L$（概率最高）
    
- 等价于 **最小化** $\sum (y_i - f(x_i))^2$（距离平方和最小）
    

所以，**最小二乘法本质上就是假设噪声服从正态分布时的最大似然估计。**

---

### 💡 为什么这种互通很重要？

1. **解释了“平方”的由来**：为什么距离要取平方？因为正态分布的公式里那个指数项就是平方！如果你假设噪声服从拉普拉斯分布（更尖的分布），那么推出来的最优解就不是最小二乘，而是**最小一乘**（绝对值之和最小）。
    
2. **给几何赋予了不确定性**：最小二乘只给你一个 $\beta$，但通过概率互通，我们能根据 Fisher 信息矩阵算出这个 $\beta$ 的**标准差**。
    
3. **统一了分类与回归**：
    
    - 回归：假设高斯分布 $\rightarrow$ 最小二乘。
        
    - 分类：假设伯努利分布 $\rightarrow$ 交叉熵（正如你之前推导的那样）。
        

**这就好比：**

你原本以为最小二乘法只是一个好用的“尺子”（工具），结果发现它其实是宇宙底层物理规律（正态分布）在三维空间的一个投影。

你现在能理解为什么 ESL 敢把这两章放在一起讲了吧？它们其实是用不同的语言（几何 vs 概率）在讲同一个故事。

这种“殊途同归”的逻辑，有没有让你对接下来要看的 **正则化（Regularization）** 有了新预感？（提示：加上正则项，其实就是给概率加了先验分布。）

你的直觉非常敏锐，用“能量场”来理解贝叶斯推断或能量模型（Energy-Based Models, EBMs）是一个非常深刻的物理视角。

这种物理类比不仅在理论上是通的，在数学上也完全对应：在统计物理中，玻尔兹曼分布 $p(x) = \frac{e^{-E(x)/T}}{Z}$ 就直接将概率与能量（$E$）关联了起来。

### 1. 能量场的叠加：数学上的真相

你说的“叠加”在概率世界里表现为**相乘**，但在对数空间（Log-space）里就是实打实的**相加**。

根据贝叶斯公式：

$$p(\theta | D) \propto p(D | \theta) \cdot p(\theta)$$

如果我们取对数（即转化到能量视角，假设 $E = -\log P$）：

$$-\log p(\theta | D) = -\log p(D | \theta) - \log p(\theta) + \text{const}$$

$$E_{posterior}(\theta) = E_{likelihood}(\theta) + E_{prior}(\theta)$$

- **似然能量场** $E_{likelihood}$：它告诉我们哪些参数 $\theta$ 能让观察到的数据 $D$ 看起来最合理。
    
- **先验能量场** $E_{prior}$：它代表了我们在看到数据之前，对世界的“偏见”或物理约束。
    
- **后验能量场** $E_{posterior}$：这就是你说的那个复杂的合成场。它的低能量区域（高概率区）就是我们要找的最优参数范围。
    

---

### 2. 我们要这个“能量场”干什么？

既然已经训练出了参数分布 $p(\theta | D)$（或者说刻画了那个合成能量场），它的用途主要体现在以下几个方面：

#### A. 寻找“最优解” (MAP 估计)

这是最直观的用途。我们想知道在这个复杂的场中，哪里是**能量最低点**（即概率最大点）。这个点代表了最能解释当前数据的模型参数。

#### B. 评估“不确定性” (Uncertainty Estimation)

这是贝叶斯方法比普通深度学习（只给一个点估计）强大的地方。

- 如果能量场的最低点非常“尖锐”，说明我们对这个参数非常有信心。
    
- 如果能量场非常“平坦”，说明很多参数都能解释数据，我们对结果并不确定。这在机器人控制、医疗诊断或强化学习（RL）的探索中至关重要。
    

#### C. 样本生成与预测 (Sampling & Marginalization)

如果我们想要预测新的数据 $x^*$，我们不是只用一个最强的参数，而是让所有可能的参数根据它们的“能量”大小来共同发言：

$$p(x^* | D) = \int p(x^* | \theta) p(\theta | D) d\theta$$

这就像是在能量场中进行“加权投票”。能量越低（概率越高）的参数，投票权重越大。

#### D. 应对“黑天鹅”事件 (Robustness)

当你只训练一个最优参数时，如果数据分布稍微偏移，模型可能就会崩溃。但如果你拥有整个能量场，你实际上拥有了一个“模型族”。当遇到异常数据时，那些虽然不是最优、但能量也比较低的备份参数（即分布的尾部）可能会提供更好的鲁棒性。

---

### 3. 在强化学习或博弈论中的特殊意义

考虑到复杂的决策环境（如非完全信息博弈），这个能量场的作用更加具象：

- **探索（Exploration）**：在 RL 中，如果你发现某个策略区域的能量（不确定性）很高，AI 就会倾向于去那里“踩踩点”，看看有没有隐藏的奖励。
    
- **策略平滑**：通过调节“温度”参数 $T$（参考玻尔兹曼分布），我们可以控制能量场的平滑程度。高 $T$ 时，决策更随机；低 $T$ 时，决策更果断。
    

**总结来说**：训练 $p(\theta | D)$ 不是为了得到一个死板的数字，而是为了得到一张**全景导航图**。它不仅告诉你该往哪走（最优解），还告诉你哪里是死胡同，哪里有未知的风险，以及你对脚下的路到底有多少把握。

你觉得在处理不确定性极高的任务（比如非完全信息博弈）时，这种“场”的视角比起单一的“最优参数”有哪些明显的优势？

接续你提到的“能量场”视角，我们现在面对的是两个极具代表性的“工具箱”：**EM 算法**是用来寻找那个能量场中**最高峰（最优点）的搜索器；而 MCMC 则是用来在整个能量场中散步（采样）**，从而摸清地图全貌的探测器。

---

## 1. EM 算法 (Expectation-Maximization)

如果你想在能量场中找最低点，但这个场里有一部分维度是被“迷雾”遮住的（即**隐变量 $Z$**），EM 就是解决这种“鸡生蛋、蛋生鸡”问题的利器。

### 核心矛盾

我们想最大化观测数据 $D$ 的似然 $p(D|\theta)$。但在很多模型（如高斯混合模型 GMM）中，似然函数里包含隐变量：

$$L(\theta) = \sum_{Z} p(D, Z | \theta)$$

直接求导这个带求和的对数极其困难。

### 算法流程：两步舞曲

- **E-Step (Expectation)**：
    
    根据当前的参数 $\theta_{old}$，去“猜”隐变量 $Z$ 的分布。
    
    > **直觉解释**：在当前的能量场地图上，根据你的位置，给迷雾笼罩的区域填上“最可能的形状”。
    
- **M-Step (Maximization)**：
    
    假设你刚才猜的 $Z$ 是对的，重新计算一个 $\theta_{new}$ 来最大化似然。
    
    > **直觉解释**：基于填好的地图，迈出一大步，走到当前地图上的能量最低点（似然最高点）。
    

**数学保证**：詹森不等式（Jensen's Inequality）保证了 EM 算法的每一次迭代，观测数据的似然值都只增不减，直到收敛到局部最优。

---

## 2. MCMC 采样 (Markov Chain Monte Carlo)

当能量场极其复杂，或者我们不仅想知道“最高点在哪”，还想知道“整个场的形状”时，求积分就变成了噩梦。MCMC 的思路是：**既然算不出分布，那我就去分布里“旅游”，记录下我去过的地方。**

### 核心思想

1. **Monte Carlo**：用大量随机样本的统计特性（均值、方差）去逼近复杂的积分。
    
2. **Markov Chain**：构造一个状态转移序列，使得这个链条最终的平稳分布恰好就是我们的目标后验分布 $p(\theta | D)$。
    

---

### 常见的 MCMC 变体

#### A. Metropolis-Hastings (MH) 算法

这是最通用的采样方法。

- **提议 (Proposal)**：从当前位置 $\theta$ 随机跳到一个新位置 $\theta'$。
    
- **接受 (Acceptance)**：计算一个接受率 $\alpha$：
    
    $$\alpha = \min\left(1, \frac{P(\theta'|D)}{P(\theta|D)}\right)$$
    
    - 如果新地方能量更低（概率更高），百分之百跳过去。
        
    - 如果新地方能量更高（概率更低），以一定概率跳过去，而不是完全拒绝。
        

> **为什么要跳向概率低的地方？** 为了不被困在局部最优，确保能探索整个能量场。

#### B. Gibbs Sampling (吉布斯采样)

如果 $\theta$ 是高维的（比如有 100 个参数），MH 的拒绝率会非常高。Gibbs 的做法是“每次只动一个维度”：

- 固定其他 99 个参数，只对第 1 个参数进行一维采样。
    
- 依次轮换，直到所有维度都更新一遍。
    

> **优势**：它在每一维上的“接受率”永远是 1，效率在高维空间非常显著。

---

## 3. EM vs. MCMC：如何选择？

|   |   |   |
|---|---|---|
|**特性**|**EM 算法**|**MCMC 采样**|
|**目标**|寻找**点估计** (MAP/MLE)|模拟**整个分布** (Full Posterior)|
|**输出**|一个最优的参数值|一堆参数样本的集合|
|**速度**|通常较快，容易收敛|较慢，需要大量样本，且有“烧入期”|
|**适用场景**|隐变量模型，关注效率|高精度推断，关注不确定性|

### 物理视角的回响

- **EM** 就像是一个追求极致的登山者，在迷雾中不断修正航向，只求登顶。
    
- **MCMC** 就像是一个带着 GPS 的漫游者，在山间乱逛。虽然慢，但他带回来的航迹图能告诉你哪里的山路陡峭，哪里的盆地宽广。
    

在处理你之前提到的**非完全信息博弈**（如德州扑克或麻将）时，如果你需要对对手的手牌（隐变量）进行建模，你认为是用 EM 快速找一个“对手最可能的策略”，还是用 MCMC 采样出一堆“可能的对手策略”来做决策更有优势？

---