中华文化博大精深源远流长,对一些概念的名词定义也是具有很大的概括性呢。

极大:大的不能再大,也就是最大喽

似然:似,相似,类似,像;然,这样。类似这样,像这样。

所以,极大似然估计的字面意思理解就是,像这样最大程度的估计。

正常人:像哪样呢?

博主:像这样啊。

正常人:到底像哪样啊?

博主:就是像这样啊

……

你懂得。就是一些玄学问题,你也不能说出个所以然。举个例子,一个学校有1000人,我从里面随机选了100人,最后90个男的,10个女的,你说这个学校是男生多还是女生多?你可能会觉得,当然是男生多啊。博主问:为什么呢?你可能会说:因为这抽出来的男生多啊,像这样的话,背后的总人数中,自然也是男生多。这是一种直观上的概率问题。正因为背后男生多,所以抽出的男生多的概率也大。我有个问题:我明明可以抽出其他的男生,为什么偏偏选中了这90个男生呢?

可不可以这样玄学的认为:因为这90个男生的情况太普遍了,所以选出的概率最大。

这就是传说中的极大似然估计,也就是最大似然估计,就是我认为选出的样本最具有代表性,概率最大。当估计一个概率函数的参数的时候,我们只需要找到这个函数的最大值的地方,然后令这个最大值等于我们样本显示的概率就ok了。

有问题欢迎留言指正。

极大似然估计的通俗理解相关推荐

  1. 极大似然估计的朴素理解

    极大似然估计的朴素理解 2010年04月20日 ⁄ 科研, 读书 ⁄ 共 2356字 ⁄ 评论数 28 ⁄ 被围观 12,437+ <a href="http://www.zhizhi ...

  2. Maximum Likelihood Method极大似然估计的朴素理解

    最大似然法,英文名称是Maximum Likelihood Method,在统计中应用很广.这个方法的思想最早由高斯提出来,后来由菲舍加以推广并命名. 最大似然法是要解决这样一个问题:给定一组数据和一 ...

  3. 极大似然估计 —— Maximum Likelihood Estimation

    1 引入 机器学习中,经常会遇到极大似然估计 (Maximum Likelihood Estimation, MLE) 这个名词,它的含义是什么?它能够解决什么问题?我们该如何理解并使用它?本篇就对此 ...

  4. 机器学习强基计划4-2:通俗理解极大似然估计和极大后验估计+实例分析

    目录 0 写在前面 1 从一个例子出发 2 极大似然估计 3 极大后验估计 4 Python实现 0 写在前面 机器学习强基计划聚焦深度和广度,加深对机器学习模型的理解与应用."深" ...

  5. 【For非数学专业】通俗理解似然函数、概率、极大似然估计和对数似然

    文章目录 1. 似然函数与概率 1.1 似然函数与概率的初步认识 1.2 似然的定义 1.3 结合具体实例来深入理解似然与概率 2. 极大似然估计 3. 对数似然函数 4. 总结 1. 似然函数与概率 ...

  6. 极大似然估计的理解与应用

    http://www.cnblogs.com/xing901022/p/8418894.html 极大似然估计是概率论中一个很常用的估计方法,在机器学习中的逻辑回归中就是基于它计算的损失函数,因此还是 ...

  7. 极大似然估计_干货|一文理解极大似然估计

    一.什么是极大似然估计 极大似然估计是一种参数估计的方法.它要解决这样一个问题:给定一组数据和一个参数待定的模型,如何确定模型的参数,使得这个确定参数后的模型在所有模型中产生已知数据的概率最大. 通俗 ...

  8. 【机器学习基础】深入理解极大似然估计(MLE) 1: 引入问题

    导读:极大似然估计(MLE) 是统计机器学习中最基本的概念,但是能真正全面深入地理解它的性质和背后和其他基本理论的关系不是件容易的事情.极大似然估计和以下概念都有着紧密的联系:随机变量,无偏性质(un ...

  9. 极大似然估计的理解 为什么要取似然函数最大值 似然函数的意义是什么?

    对极大似然估计的理解 极大似然估计的形式: 1.离散型统计模型 表示观测值. 2.连续型统计模型 问题:问什么要取似然函数最大值来估算参数θ? 自己的理解: 似然函数的形式是理论上各事件(这个事件表示 ...

  10. 对极大似然估计和极大验后估计的理解

    文章目录 Part.I 概念理解 Part.II 例子 Part.III 总结 Reference Part.I 概念理解 概率与统计:概率(probabilty)和统计(statistics)看似两 ...

最新文章

  1. JavaFX项目jar使用javafxpackager生成exe
  2. 通过FFT来计算螺旋线的匝数
  3. 字节流写数据的三种方式
  4. 虚拟机中使用Samba实现文件共享,并在win10上创建映射网络驱动器
  5. java面向字符的输入流_详细解读Java编程中面向字符的输入流
  6. ImportError: No Module Named [x]
  7. bzoj 1257: [CQOI2007]余数之和sum
  8. CCS7.3 安装使用教程
  9. 解决 Office 2007/2010 安装错误:1402 安装程序无法打开注册表项 UNKNOWN\Components\“随机数字”
  10. 安装Kubuntu至U盘
  11. 【1】使用分类学习APP - Classification Learner App 训练分类模型
  12. 各种路由器设备的发展总结及展望
  13. 1.01.21盒子模型,浮动,定位
  14. supper的常见错误
  15. Kubernetes 高性能网络组件 Calico 入门教程
  16. python输出hello的字符串字数_python 字符串
  17. 细胞膜负载天然产物竹红菌乙素纳米囊泡|细胞来源的纳米囊泡(Gesicle)包裹药物
  18. opencv 图像识别
  19. 作为一个移动应用开发者,我们的创意应当避免走向低俗
  20. 苹果计算机软件安装打不开,iPad2安装的软件怎么打不开

热门文章

  1. 【线性代数01】矩阵的转置和逆
  2. 五分钟学会做一个在线抽奖系统,手把手教你抽奖还学不会嘛?
  3. 【SNE-RoadSeg 解读】结合表面法向量的路面分割网络(ECCV2020)
  4. 计算机桌面工作提醒,有什么好用的电脑桌面日程安排提醒软件?
  5. div 垂直居中的六种方法
  6. lan pci 联想开机_联想笔记本bios怎么设置 联想笔记本进入bios方法【详解】
  7. 用 pyecharts 制作数据可视化大屏之数据地图
  8. 机器学习(周志华)读书笔记 1
  9. Apple M1 开启HiDPI的新方法,无需关闭SIP,无需SwitchResX
  10. 9点EXCEL计算公式