最大似然估计（MLE）

在研究语音识别中的算法之前，需要做一些基础理论的介绍，以便更好地进行后面的算法学习！~~~本文主要研究极大似然估计的理论。

下面由经典的贝叶斯分类决策来引入极大似然估计：

贝叶斯公式：

                                            

其中：p(w)：为先验概率，表示每种类别分布的概率；：类条件概率，表示在某种类别前提下，某事发生的概率；而为后验概率，表示某事发生了，并且它属于某一类别的概率，通过后验概率，我们就可以对样本进行分类。后验概率越大，说明某X属于这个类别W的可能性越大，我们越有理由把它归到这个类别W下，贝叶斯分类决策很普遍也很容易理解。实例说明如下：

已知，狗蛋儿在下雨天去幼儿园的概率是1/2，在晴天去幼儿园的概率是2/3，下雨天与晴天的比例是2:1，那么问题来了，狗蛋儿今天去幼儿园了，问今天是下雨还是晴天？

从问题可以看出， 事件发生了，我们要求出后验概率，根据贝叶斯公式求解步骤如下：

设：                                    W1：下雨；W2 ：晴天； X：去幼儿园；

由已知条件可知：

                                

狗蛋下雨天或者晴天去幼儿园是相互独立的，由此可以算出

                          

继而由贝叶斯公式可以求得后验概率，也就是狗蛋去去幼儿园的条件下，当天天气是下雨天和晴天的概率：

                          

那么问题又来了：如果我们不知道先验概率和类条件概率，我们只有狗蛋儿以前去幼儿园的一些样本，如何根据仅有的样本来识别以后狗蛋去幼儿园的天气情况（后验概率）呢，最直接的方法就是找到（估计）和，根据估计值，再套用贝叶斯公式进行计算。

先验概率的估计比较容易：1，根据已知知识和经验；2，根据样本进行统计（样本要足够的全）

类条件概率就比较难了：概率密度函数包含了一个随机变量的全部信息；样本数据可能不多；特征向量x的维度可能很大等等。总之要直接估计类条件概率的密度函数很难。解决的办法就是，把估计完全未知的概率密度转化为估计参数。这里就将概率密度估计问题转化为参数估计问题，极大似然估计就是一种参数估计方法。当然了，概率密度函数的选取很重要，模型正确，在样本区域无穷时，我们会得到较准确的估计值，如果模型都错了，本来是高斯模型的概率密度函数，我们以为是均匀分布模型，那估计半天的参数，肯定也没啥意义了。

最终，最大似然估计的目的就是根据样本，来估计出概率密度函数的参数值。

Maximum Likehood Estimation

原理：最大似然估计是建立在最大似然原理的基础上的一个统计方法，是概率论在统计学中的应用。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”。通过若干次试验，观察其结果，利用试验结果得到某个参数值能够使样本出现的概率为最大，则称为最大似然估计。

在估计开始前时，我们对样本有一个重要的要求：训练样本的分布能代表样本的真实分布。每个样本集中的样本都是所谓独立同分布的随机变量 (iid条件)，且有充分的训练样本。

由于样本集中的样本都是独立同分布，可以只考虑一类样本集D，来估计参数向量θ。记已知的样本集为࿱