1. 什么是最大似然估计?
在一次机器语言的学习中,引入了一个新概念—最大似然估计。然而面对繁琐的数学公式和复杂的推理过程,使我对概念非常模糊,也不懂到底是什么原理,但通过后来的慢慢学习使我对最大似然估计有了不一样的认识。
最大似然估计是使用概率模型、利用已知的样本结果,反推一件事情最有可能发生(最大概率)导致这样结果的参数值,是一类完全基于统计的系统发生树重建方法的代表,可以理解为样本所展现的是所有可能状态中概率最大的状态。这种对复杂问题概念的求解问题使我联想到贝叶斯公式,在很多求解概率的问题上都离不开它,由此,从贝叶斯公式与最大似然估计两者之间的联系和区别又对最大似然估计方法又有了更深刻的认识。最大似然估计方法为什么受欢迎?他和贝叶斯公式之间最大的不同在哪?最大似然方法估计的原理是什么?既然是通过概率模型进行求解那么在实际问题中应该选用那种模型呢?最大似然估计方法的应用有哪些?
2. 问题分析
在概率论中,了解到贝叶斯公式是一个后验概率,什么是后验概率?简单来说,后验概率是基于“结果”的信息重新修正后的概率,所获得的概率更接近实际情况。但是在实际应用中,样本数据不多,特征值的维度也不够大导致直接计算条件概率的难度较大,所以最大似然估计方法相当于贝叶斯公式的升级版,将概念密度估计转化成了参数估计,在样本数量无限多时,结果会更接近于真实值,这对我们日常生活中处理概率问题有很大帮助,这也是为什么最大似然估计这么受欢迎的原因。
同时,两者最大的区别也就出现了,那就是参数。非常能够总结最大似然估计的一句话是“模型已定,参数未知”,通过若干次试验观察其结果,得到某个参数值使样