极大似然估计

通俗解释：利用已知的样本结果信息，反推最具有可能（最大概率）导致这些样本结果出现的模型参数值。即极大似然估计提供了一种给定观察数据来评估模型参数“模型已定，参数未知”
满足假设：所有的采样都是独立同分布的
对于似然函数$p(x|\theta )$的理解：
该函数的输入有两个：x表示某一个具体的数据；$\theta$表示模型的参数
如果$\theta$是确定的，$x$是变量，这个函数叫做概率函数（probability function），它描述对于不同的样本点$x$，其出现概率是多少。
如果$x$是确定的，$\theta$是变量，这个函数就叫做似然函数（likelihood function），它描述对于不同的模型参数，出现$x$这个样本点的概率是多少

假如有一个罐子，里面有黑白两种颜色的球，数目多少不知，两种颜色的比例也不知。我 们想知道罐中白球和黑球的比例，但我们不能把罐中的球全部拿出来数。现在我们可以每次任意从已经摇匀的罐中拿一个球出来，记录球的颜色，然后把拿出来的球 再放回罐中。这个过程可以重复，我们可以用记录的球的颜色来估计罐中黑白球的比例。假如在前面的一百次重复记录中，有七十次是白球，请问罐中白球所占的比例最有可能是多少？

答案是70%。而其后的理论支撑是什么呢？

我们假设罐中白球的比例是p，那么黑球的比例就是1-p。因为每抽一个球出来，在记录颜色之后，我们把抽出的球放回了罐中并摇匀，所以每次抽出来的球的颜色服从同一独立分布。

这里我们把一次抽出来球的颜色称为一次抽样。题目中在一百次抽样中，七十次是白球的,三十次为黑球事件的概率是P(样本结果|Model)。

如果第一次抽象的结果记为x1,第二次抽样的结果记为x2…那么样本结果为(x1,x2…,x100)。这样，我们可以得到如下表达式：

$P(样本结果|Model)$

$=P(x1,x2,\dots ,x100|Model)$

$=P(x1|Model)P(x2|Model)\dots P(x100|Model)$

$=P^{70}(1-P{)}^{30}$

好的，我们已经有了观察样本结果出现的概率表达式了。那么我们要求的模型的参数，也就是求的式中的p。
不同的P，导致$P(样本结果|Model)$的不同。
p实际上有无数多种分布。极大似然估计采取的方法是让这个样本结果出现的可能性最大，也就是使得$=P^{70}(1-P{)}^{30}$值最大，看成求p的方程，求导即可。

参考: 知乎.