極大似然估計该面，通俗理解來說夭苗，就是利用已知的樣本結果信息，反推最具有可能（最大概率）導致這些樣本結果出現(xiàn)的模型參數(shù)值隔缀！
換句話說题造，極大似然估計提供了一種給定觀察數(shù)據(jù)來評估模型參數(shù)的方法，即：“模型已定猾瘸，參數(shù)未知”界赔。
例如，我們假定模型服從于正態(tài)分布牵触，但是不知道均值和方差淮悼；或者是二項分布，但是不知道均值揽思。
輸入有兩個：
表示某一個具體的數(shù)據(jù)袜腥；
表示模型的參數(shù)
如果是已知確定的，
是變量钉汗，這個函數(shù)叫做似然函數(shù)(likelihood function), 它描述對于不同的模型參數(shù)
羹令，出現(xiàn)
這個樣本點的概率是多少。
由于重新縮放并不會改變
的結果损痰，即
當趨于無窮的時候特恬，最大似然函數(shù)是最好的漸進估計（也就是說對參數(shù)估計的準確度最高）
上面說到期望就是平均數(shù)隨樣本趨于無窮的極限，那么這句話是什么意思呢徐钠？
我們還是以上面的擲骰子為例子：
如果我們擲了無數(shù)次的骰子，然后將其中的點數(shù)進行相加役首，然后除以他們擲骰子的次數(shù)得到均值尝丐，這個有無數(shù)次樣本得出的均值就趨向于期望显拜。
個人理解：均值為多個隨機變量的和再除以個數(shù)，相當于還是一個隨機變量爹袁，當數(shù)量足夠多的時候远荠，這個隨機變量會收斂，這個收斂的值為期望
由于與模型無關失息，即
所以一種解釋最大似然的觀點是將它看作最小化訓練集上的經(jīng)驗分布和模型分布
之間的差異譬淳，可以通過KL散度來度量。
需要注意的是這種方法雖然簡單盹兢，但是結果準確度嚴重依賴于 假設的模型分布?是否符合 潛在的真實分布邻梆。不能靠瞎猜就確定模型分布
