MLE最大似然估计和MAP最大后验概率的区别，利用MAP思想完成词性标注。

最近一直在搞懂啥是MLE，啥是MAP。

MLE，最大似然估计，优化的是，求出它的最大值,其中是参数，D是数据；

MAP，最大后验概率分布，优化的是,其中是参数，D是数据，通过贝叶斯定理可以认为等价于求,其中就是MLE，是先验分布。一般来说，这样就推导完了。MAP可以认为是MLE在多加一个先验概率，即在优化之前我们所掌握的信息。然后就是千篇一律的扔硬币举例，反正现在我明白MAP与MLE之间的关系了，但是我还是想不明白，MLE到底是什么鬼？为什么通过MLE可以完成优化？

是啥？最通俗的讲，对于一个数据集，是先有一个模型，然后这个模型产生了这个数据分布。我们要从参数集合中挑选出一组参数，使得选定的模型应用这个参数后产生这个数据集的概率最大。打个比方：一个模型（叫他盘古吧），产生了一堆数据，一天，考古学家：逻辑回归，LSTM,GRU  发现了这堆数据，并用出自己的本领