关于最大似然求解线性回归的理解

我们得到一堆数据(x_i,y_i)，这组数据的分布模型是已知的，那么每组数据的分布概率是已知的，这是采用最大似然估计的前提，现在要用线性方程的形式去做回归，线性方程结构为：y=f(x)+e,其中f(x)=w*x，w是我们要进行估计的参数向量，e是噪声，且该噪声服从均值为0高斯分布，即：e~N。 假如说现在有一个w(此w并不是最终的w)，对于每一个实际得到的数据我们都可以看成是由均值为w*xi,方差为的一个高斯模型生成的。但是在w不定的情况下，高斯模型有无数中可能，我们需要从中选择一个我们想要的，而选择需要一个准则，该准则就是：使得在该模型下生成我们获得的数据的可能性最大。 将每一个数据产生的概率连乘起来（似然函数），将该值最为总的数据产生的可能性，对于数值y由于噪声的存在服从高斯分布，我们利用似然估计的方法来估计y，所以该方法本质上是将回归方程转化为条件似然，将回归参数作为模型分布的均值，然后用似然估计的方法来估计均值，进而获取回归参数。