Python实现最大似然估计概率模型(GenericLikelihoodModel算法)项目实战

说明：这是一个机器学习实战项目（附带数据+代码+文档+视频讲解），如需数据+代码+文档+视频讲解可以直接到文章最后获取。

1.项目背景

最大似然估计（Maximum Likelihood Estimation, MLE）是一种统计推断方法，用于估计一个概率模型的参数。

本项目通过GenericLikelihoodModel算法来构建最大似然估计概率模型。     

2.数据获取

本次建模数据来源于网络(本项目撰写人整理而成)，数据项统计如下：

编号	变量名称	描述
1	x1
2	x2
3	x3
4	y

数据详情如下(部分展示)：

3.数据预处理

3.1 用Pandas工具查看数据

使用Pandas工具的head()方法查看前五行数据：

关键代码：

3.2 数据缺失查看

使用Pandas工具的info()方法查看数据信息：

      

从上图可以看到，总共有4个变量，数据中无缺失值，共32条数据。

关键代码：

3.3 数据描述性统计

通过Pandas工具的describe()方法来查看数据的平均值、标准差、最小值、分位数、最大值。

关键代码如下：    

4.探索性数据分析

4.1 变量直方图

用Matplotlib工具的hist()方法绘制直方图：

从上图可以看到，变量主要集中在2.25~3.75之间。  

4.2 折线图

从上图中可以看到，数据是不断波动的。

5.构建最大似然估计概率模型 

主要使用GenericLikelihoodModel算法，用于最大似然估计概率模型。   

5.1 构建模型

编号	模型名称	参数
1	最大似然估计概率模型	默认参数

5.2 模型摘要信息

6.模型评估

6.1 模型参数估计值的协方差矩阵

7.结论与展望

综上所述，本文采用了GenericLikelihoodModel算法来构建最大似然估计概率模型，最终证明了我们提出的模型效果良好。此模型可用于日常产品的预测。

# 本次机器学习项目实战所需的资料，项目资源如下：
 
# 项目说明：
 
# 获取方式一：
 
# 项目实战合集导航：
 
https://docs.qq.com/sheet/DTVd0Y2NNQUlWcmd6?tab=BB08J2
 
# 获取方式二：

链接：https://pan.baidu.com/s/1d54RG0iCz3jV9o8bey2IGA 
提取码：kq3e