【机器学习笔记（十）】之通俗易懂理解到底最大似然估计是什么？

本文章由公号【开发小鸽】发布！欢迎关注！！！

老规矩–妹妹镇楼：

导言：

       咱们学习概率论的时候，一定学习过最大似然估计这个概念，但是大家可能都只是学习了如何求解最大似然估计，而不太清楚什么叫似然估计？为什么要求最大的似然估计？估计是用于估计什么？这些问题可能大家都没有想过，也可能是因为教科书上的公式太多，没有清晰地讲解最大似然估计的用途。
       那么这篇文章就带大家来看看何为最大似然估计。这里我将最大似然估计分为“似然估计：，“最大”两个部分来讲解。

一. 似然估计

       似然，英文名为likelihood，直译过来是可能性，可能这个时候大家就想到了概率（probability）这个词了。确实，两者在中文的意思上确实差不多，但在统计学中是两个完全不同的概念。

（一）概率

       所谓概率，是指某件事在指定的环境下发生的几率。
       如在环境A下，事件M发生的几率为 P(M/A)。
       在环境B下，事件M发生的几率为P(M/B)。
       将两个先验条件A和B整合为先验条件θ。则概率公式整合为：P(M/θ)。

（二）似然

       而似然，是指在确定事件M已经发生的条件下，我们来推测这件事M是由环境A造成的还是由环境B造成的。
       公式如下：L(θ/M),θ是先验条件。
       概率和似然看似是正好相反的两个概念，它们表示的其实是同一件事，只不过概率是用先验条件来推结果，而似然使用结果来推先验条件。但两者在数值上是相等的。
       P(M/θ) = L(θ/M)

二. 最大

       我们现在知道了似然估计的概念，知道了似然估计是从确定的结果M反推先验条件theta，那么所谓的最大似然估计是什么意思呢？
       正如我们之前所举的例子，先验条件有环境A和环境B（这是最简单的先验条件，实际应用复杂得多），我们要从结果M推测可能性最大的先验条件是环境A还是环境B，找出最大的theta，即找出造成结果M的最可能的条件，这也是我们生活中遇到的最多的情况。通常我们遇到问题，都要反推这个问题到底是由什么原因造成的？最大似然估计就是用来寻找造成问题的最可能的原因。

三.求解最大似然估计

（一).步骤

       了解了最大似然估计的概念，那么如何求解最大似然估计呢？这个问题我估计大家都做过，过程如下：

1. 写出最大似然函数
2. 对似然函数取对数
3. 求导
4. 解方程

（二）.步骤分析

       这个流程大家应该或多或少都有些印象，可这些步骤是为什么呢？大家有想过么？我来分析一下。

       1. 刚刚有说到，似然函数与概率虽然意思不一样，但是值是相等的。因此写出似然函数这一步，就是用概率来完成的。同时，我们求解的似然函数通常都会出现连乘的现象，因为现实的问题中有很多概率是独立的，用概率公式需要连乘。
       2.由于连乘很难求解啊，很容易想到用求对数的方法将连乘转换为连加，加减法当然比乘除法好做啊。同时用求对数的方法并不会改变函数的极值点与最大值的位置。
       3.我们需求解的是最大似然估计，求解最大值，大家应该第一个想到的都是求导，那么直接对公式求导。
       4.最后一步就是解方程了。

       到这里，最大似然估计就被你求出来了，是不是有种醍醐灌顶的感觉呢？被教科书支配了那么多年，看了那么多公式，没有理解概念其实什么都记不住…

关注我，看更多机器学习解析，入门计算机视觉。