独家 | 一文读懂最大似然估计(附R代码)

作者：阿尼·辛格

翻译： 陈之炎

校对：丁楠雅

本文约4200字，建议阅读10+分钟。

本文将研究MLE是如何工作的，以及它如何用于确定具有任何分布的模型的系数。

简介

解释模型如何工作是数据科学中最为基本最为关键的问题之一。当你建立了一个模型之后，它给了你预期的结果，但是它背后的过程是什么呢？作为一个数据科学家，你需要对这个经常被问到的问题做出解答。

 

例如，假设您建立了一个预测公司股价的模型。您注意到夜深人静的时候，股票价格上涨得很快。背后可能有多种原因，找出可能性最大的原因便是最大似然估计的意义所在。这一概念常被用于经济学、MRIs、卫星成像等领域。

 

来源：YouTube

在这篇文章中，我们将研究最大似然估计(以下简称MLE)是如何工作的，以及它如何用于确定具有任何分布的模型的系数。理解MLE将涉及到概率和数学，但我将尝试通过例子使它更通俗易懂。

注：如前所述，本文假设您已经了解概率论的基本知识。您可以通过阅读这篇文章来澄清一些基本概念：

《每个数据科学专业人员都应该知道的概率分布常识》：

https://www.analyticsvidhya.com/blog/2017/09/6-probability-distributions-data-science/

目录

• 为什么要使用最大似然估计(MLE)？

• 通过一个实例了解MLE

• 进一步了解技术细节

• • 分布参数

  • 似然

  • 对数似然

  • 最大似然估计

• 利用MLE确定模型系数

• R语言的MLE实现

为什么要使用最大似然估计(MLE)？

假设我们想预测活动门票的销售情况。数据的直方图和密度如下。

 

你将如何为这个变量建模？该变量不是正态分布的，而且是不对称的，因此不符合线性回归的假设。一种常用的方法是对变量进行对数、平方根（sqrt）、倒数等转换，使转换后的变量服从正态分布，并进行线性回归建模。

让我们试试这些转换，看看结果如何：

• 对数转换：

 

• 平方根转换：
  

 

• 倒数转换：
  

 

所有这些都不接近正态分布，那么我们应该如何对这些数据进行建模，才能不违背模型的基本假设？如何利用正态分布以外的其他分布来建模这些数据呢？如果我们使用了不同的分布，又将如何来估计系数？

这便是最大似然估计(MLE)的主要优势。

举一个例子来加深对MLE的理解