最大似然估计

一、 最大似然估计的概念

最大似然估计（Maximum likehood）:似然指的是可能性，从简单的理解来看就是，最大可能性估计，就是用来找出与样本的分布最接近的概率分布模型。

二、 最大似然估计的推导

伯努利分布（两点分布）的最大似然估计
例：天气晴雨的求法，10天的天气为晴晴晴晴雨雨晴雨晴雨，求下雨概率
晴天用1表示，雨用0表示则可得
天气 0 0 0 0 1 1 0 1 0 1
则晴天和雨天的概率可以分别表示为0和1，因为在现在的例子中抽取一天来研究，这是一个非黑即白的结果，用函数可以表示为f(x)=Px (1-P)（1-x） x=0或1。这样我们可以得到单次的概率质量方程。
由于这个是单个数据而不是一组数据，所以我们要用一组数据（这组数据应该是独立同分布（独立同分布：随机过程中，任何时刻的取值都为随机变量，这些随机变量如果服从同一分布（具有相同的分布形状和相同的分布参数），且互相独立（每个值是互不影响的），那么这些随机变量就是独立同分布的）的）来得到结果。

我们得到了一个关于随机变量P的方程。
再对该方程进行求导我们可以得到一个P值，再通过对随机变量P的方程进行二阶导，来验证一阶导是否为P所取值得最大值，然后得到我们的最大似然估计值。

三、 最大似然估计的应用

根据我的理解，我觉得最大似然估计可以用于一下几个方面：
（1） 停车软件，通过对当地的停车地点的车位进行计算，得到车位在某时间段空闲的概率，对该停车地点的所有车位的数据进行整合，得到某地点的停车地点空闲车位的概率，根据这些概率，来推荐相关的停车路线。
（2） 旅游数据的分析，通过对某一景点的历年人次分析，求得相关概率，通过计算预测出全国热门景点的排行榜。
（3） 应用于检测某电影受欢迎程度，从而进行电影推荐。通过对放映电影在电影院的座位满座情况进行分析，某时间段某座位的空闲/非空闲概率，对某一放映厅的座位数据进行整合，再通过对电影院搜优放映厅数据的整合得到一个较为确切的值，来判断该电影是否受欢迎。（由于理解的内容可能有偏差，希望指正）

四、 自学最大似然估计的总结

1.经过这次关于最大似然估计的学习，我发现了自己的学习漏洞，我碰到了很多看不懂的专业名词，通过在网上查找的方式找到了一些相关内容。
2.在这次的学习中，我的理解是从伯努利分布的角度来学习最大似然估计的算法，其他角度的理解了一部分，还需要再次加深理解。
3.在学习的过程中，还掌握了伯努利分布，概率质量方程，独立同分布…等知识，学习了一定的机器学习的基础知识。
4.在此次学习中，我发现自己的高数漏洞，为我学习最大似然估计提供了很大的阻碍，还需要对高数的学习进行加强。

如果有误，望各位大神能够指正！