最大似然估计,通俗说,利用已知的样本结果,反推最有可能(最大概率)导致这样结果的参数值
似然也是用于表征概率的,只不过这个概率是我们已经知道事件的结果,而去反推事件发生环境的参数的概率,我们认为事件是在最可能发生该事件的环境参数下发生的,有点绕
举个例子:抛硬币,假设我们随机抛掷一枚硬币1,000次,结果500次人头朝上,500次数字朝上,不管怎样,我们现在就是有着这么一个perfect结果,我们现在就很好奇,到底是什么导致了这么完美的结果,于是我们就要反推做这个实验时的涉及到的参数,我们认为所有的一切都不可能是巧合,只有各种条件都是满足的,才有可能发生这样完美的1/2的概率,此时1/2的概率是作为结果的,因为我们做实验得出了这样的结果啊。经过我们计算发现,一枚标准的硬币,使得发生了【两面朝上的概率均为50%】这个事件的可能性最大;但是,如果是不标准的硬币,随便抛,能不能得出正反面各50%的频率这个结果呢,想想这也是有可能的嘛;所以我们只能说,如果这个硬币是标准硬币,发生正反面各50%的概率是最大的,因为这样子搞可以最大可能的出现我们期待的结果。我们运用出现的结果来判断这个事情本身的性质(参数),就是似然。 似然描述的是结果已知的情况下,该事件在不同条件下发生的可能性,似然函数的值越大说明该事件在对应的条件下发生的可能性越大。
再来个例子:有两个妈妈带着一个小孩到了你的面前,妈妈A和小孩长得很像,妈妈B和小孩一点都不像,问你谁是孩子的妈妈,你说是妈妈A。好的,那这种时候你所采取的方式就是极大似然估计:妈妈A和小孩长得像,所以妈妈A是小孩的妈妈的概率大,这样妈妈A看来就是小孩的妈妈,妈妈A就是小孩的妈妈。
极大似然估计就是在只有概率的情况下,忽略低概率事件直接将高概率事件认为是真实事件的思想。
结果和参数相互对应的时候,似然和概率在数值上是相等的,如果用 θ 表示环