极大似然估计,很多人会解释为已知的样本结果信息,反推最具有可能(最大概率)导致这些样本结果出现的模型参数值!
这句话乍一看有些抽象,不妨解释为:已知某一模型输出的样本结果,其模型参数未知,通过一种方法反推最有可能使模型输出该结果的参数值。这种方法,即“极大似然估计”
换句话说,极大似然估计提供了一种给定观察数据来评估模型参数的方法,即:“模型已定,参数未知”,这不正是机器学习的常态吗?我们得到了样本结果,通过训练来反推模型的超参数,训练的过程则蕴含了极大似然的思想。
可能有小伙伴就要说了,还是有点抽象呀。这里引用B站UP主“小崔说教”的举例。
举例:
一个袋子里有很多个小球,小球有两种,一种是1号球,第二种是2号球。小球数量足够多,可不考虑有无放回。某次抽样的结果为:1,1,2,1,2。 问,袋子里1号球的占比是多少?2号球占比是多少?
大家第一反应一定是3/5和2/5,那么理论依据是什么呢?
由上图可知,不妨将抽到一号球的概率设为
θ
\theta
θ,则对立的,抽到2号球的概率为
1
−
θ
1-\theta
1−θ,那么出现1,1,2,1,2这种抽样结果的概率为
θ
∗
θ
∗
(
1
−
θ
)
∗
θ
∗
(
1
−
θ
)
=
θ
3
(
1
−
θ
)
2
\theta*\theta*(1-\theta)*\theta*(1-\theta)=\theta^3(1-\theta)^2
θ∗θ∗(1−θ)∗θ∗(1−θ)=θ3(1−θ)2。那么问题可转化为,
θ
\theta
θ取什么值才最有可能使模型输出1,1,2,1,2的结果呢?也就是
θ
\theta
θ取什么值,
θ
3
(
1
−
θ
)
2
\theta^3(1-\theta)^2
θ3(1−θ)2对应的期望最大呢?
方法当然是:求导!
求导过程忽略(可取对数进行求导),最终的结果
θ
=
3
5
\theta=\frac{3}{5}
θ=53,与我们根据“莫名的常识”得出的结果一致!
上述环节对应到机器学习亦是如此,样本集已知,通过损失函数的反向传播(反向求导)的过程找到了最有可能使模型输出样本集分布的模型参数(即权重)。这本质是一种极大似然的思想!