浅谈极大似然估计-CSDN博客

一、原理

　　它是建立在极大似然原理的基础上的一个统计方法，极大似然原理的直观想法是：一个随机试验如有若干个可能的结果A，B，C，…。若在仅仅作一次试验中，结果A出现，则一般认为试验条件对A出现有利，也即A出现的概率很大。一般地，事件A发生的概率与参数theta相关，A发生的概率记为P(A，theta)，则theta的估计应该使上述概率达到最大，这样的theta顾名思义称为极大似然估计。

二、步骤

　　求极大似然函数估计值的一般步骤：

　　（1）写出似然函数；

　　（2）对似然函数取对数，并整理；

　　（3）求导数；

　　（4）解似然方程。

　　极大似然估计，只是一种概率论在统计学的应用，它是参数估计的方法之一。说的是已知某个随机样本满足某种概率分布，但是其中具体的参数不清楚，参数估计就是通过若干次试验，观察其结果，利用结果推出参数的大概值。极大似然估计是建立在这样的思想上：已知某个参数能使这个样本出现的概率最大，我们当然不会再去选择其他小概率的样本，所以干脆就把这个参数作为估计的真实值。

　　当然极大似然估计只是一种粗略的数学期望，要知道它的误差大小还要做区间估计。

三、举例分析

　　极大似然估计，顾名思义是一种估计方法。既然是一种估计方法，我们至少必须搞清楚几个问题：估计什么？需要什么前提或假设？如何估计？估计的准确度如何？

　　直观概念，最大似然估计：

　　给定：模型（参数全部或者部分未知）和数据集（样本）

　　估计：模型的未知参数。

　　基本思想：

　　这一方法是基于这样的思想：我们所估计的模型参数，要使得产生这个给定样本的可能性最大。在最大释然估计中，我们试图在给定模型的情况下，找到最佳的参数，使得这组样本出现的可能性最大。举个极端的反面例子，如果我们得到一个中国人口的样本，男女比例为3:2，现在让你估计全国人口的真实比例，你肯定不会估计为男：女=1:0。因为如果是1:0，不可能得到3:2的样本。我们大多很容易也估计为3:2，为什么？样本估计总体？其背后的思想其实最是最大似然。

　　在机器学习的异常检测中，根据模型（通过学习得来的）计算一个数据点出现的概率，如果这个概率小于某个我们事先设定的值，就把它判为异常。我们基于的是一个小事件的思想：如果一件可能性极小的事情竟然发生了，那么就极有可能是异常。举个例子，我这辈子跟奥巴马成为哥们的可能性几乎为零，如果哪一天我跟奥巴马在烧烤摊喝3块钱一瓶的啤酒，那么绝对叫异常。

　　例子1：估计高斯分布的均值和方差

　　假设我们有一组来自高斯分布（均值和方差未知）的独立样本x[1]、x[2]、...、x[N],即

X[n] ~ N(u,t^2), n=1,2,...,N (注，本文中方差均匀t^2代替)

　　简单起见，我们假设这些观测值都是相同独立的，也就是这些观测值独立同分布（iid）。现在让你从这些样本中估计均值u和方差，如何下手？最大似然估计来帮你解决。

　　1）既然是idd，那么联合概率密度f(x[1],...,x[N]; u,t^2)=f(x[1] ; u,t^2)*...*f(x[N]; u,t^2)，带入高斯分布得到：

　　我们把这个式子叫做似然函数，用来衡量从模型中产生这个样本组的可能性大小，我们记为L（x[1],...,x[n]; u,t^2）.除以样本容量平均一下，就叫平均对数似然。这个函数有变量x[1],...x[N],还有u，t^2.现在我们换个角度看，把x[1]到x[N]看成是固定的，而u和t^2可能自由变化。根据基本思想，我们下一步就是要找到使得这个似然函数达到最大值的u和t^2的取值。

　　2）给定样本值之后，我们要求出上面式子最大值，由于ln函数是单调递增函数，我们将L取对数，得到