极大似然估计理解

极大似然估计理解： 参考
求解P(X,m）m表示模型参数，简单来说就是模型已知，参数未知。解释：对于未知的一个数据分布（比方说一个班级男生的身高分布），我们想要求得这个数据分布，我们应该怎么做？首先，这个假设很简单，但是实际场景又很多，各种场景的分布异常复杂，所以我们应该假设身高分布服从一个简单的分布，不如假设其服从高斯分布，我们期望通过极大似然估计来求得分布的参数，那么我们的问题现在转换为了如何求得这个分布的参数，使得出现本班男生这种身高的概率最大。很自然的想到就是求导，求模型关于参数的导数，这个就是极大似然估计。
现在做一道题，来自京东面试题：给定一个二项分布，用极大似然的方法推导出该分布的参数。
首先要明白什么是二项分布，简单来说就是事件发生只有2中情况，2中情况概率和为1.
ok,现在给出一个二项分布，比如说：1，0，1，1，1，0，0，1，0，0，求这个分布的参数。
方法：设为1的概率为x，那么为0的概率就为1-x，故问题变为求解f(x)=x(1-x)xxx(1-x)(1-x)x(1-x)(1-x)
对fx求导就可得到参数值，注意这里的模型参数就是概率值。
最大后验：
求解P(X|m），极大似然假设模型模型是一定的，参数也是一定的，只不过我们不知道模型参数，我们的做法就是求得在这一分布下的模型参数。而最大后验认为模型参数服从一定的分布，求解方法就是通过贝叶斯法则