极大似然估计与EM算法-----机器学习

极大似然估计

极大似然估计是概率论与数理统计中的内容，个人对极大似然估计的印象是根据样本求参数，求样本符合哪种参数假设，所以极大似然估计是要假设数据的总体分布，要不然我们估计的到底是什么分布函数的参数呢。我们接下来举例子，用尽量通俗易懂的方式来理解。

例子1：我们用扔硬币的方式来理解极大似然估计，一般来说，一枚硬币的两面“花”和“字”出现的次数都是相等的。现在我们做实验，我们扔了100次硬币，100次的结果全部是“花”，这个时候，我们就开始怀疑，是不是“花”出现的概率更大呢？？如此我们用扔硬币的结果来推测出现“花”或者“字”的概率参数这就是似然估计。那么如果我们一开始去计算扔10次硬币出现6次“花”的概率是多大？很明显概率是，这个大家都会算，这就是概率。这样看来，似然估计是根据我当前最后结果的概率来估计其中的参数，而概率是我们知道参数(这里就是硬币本身“花”和“字”的出现的情况)来计算出来的，正好是两个相反的过程。那么我们知道了什么是似然。那么我们如何进行最大似然估计呢？？？

还是这个抛硬币的例子，最大似然估计就是我们在最大化实验结果概率的情况下，在计算出硬币的参数。扔10次硬币出现6次“花”，假设硬币的参数为