極大似然估計，是一種概率論在統計學的應用，它是引數估計的方法之一(mpa，貝葉斯估計)。
已知某個隨機樣本滿足某種概率分布，但是其中具體的引數不清楚，引數估計就是想通過若干次試驗，觀察其結果，利用結果推出引數的大概值。最大似然估計也是建立在這樣的思想上：已知某個引數能使這個樣本出現的概率最大，我們當然不會再去選擇其他小概率的樣本，所以乾脆就把這個引數作為估計的真實值。
說的更直白一點就是已知結果求產生該結果最大可能的條件，即概率分布中的引數。
而em演算法與上面相似，已知隨機樣本滿足某種概率分布 ，但我們並不知道他們的分布引數，所以乾脆先隨機估計出這些引數，然後用這些估計出的引數得出每個樣本最有可能屬於那個類別（即估計隱變數），分類之後使用最大似然估計出每一類的概率分布引數。（這時就更新了第一步隨機估計的分布引數），利用新得到的引數再次進行分類，以此迴圈迭代。最終優化到滿足某個條件後跳出。得到最終分類，和各類分布引數結果。所以em常用於資料聚類中。
e步驟：估計未知引數的期望值（隱變數）。
m步驟：重新估計分布引數，以使得資料的似然
性最大。
所以說最大似然其實就是em演算法在迭代過程中的一步而已，是整個em演算法的基礎
最大似然估計 極大似然估計
目錄最大似然估計 個人部落格 對於最大似然估計我們使用最簡單的拋硬幣問題來進行講解當我們拋一枚硬幣的時候,就可以去猜測拋硬幣的各種情況的可能性,這個可能性就稱為概率一枚質地均勻的硬幣,在不考慮其他情況下是符合二項分布的,即正面和翻面的概率都是0.5,那麼我們拋10次硬幣5次正面在上面的概率為 但是現...
極大似然估計與EM演算法 機器學習
極大似然估計是概率論與數理統計中的內容，個人對極大似然估計的印象是根據樣本求引數，求樣本符合哪種引數假設，所以極大似然估計是要假設資料的總體分布，要不然我們估計的到底是什麼分布函式的引數呢。我們接下來舉例子，用盡量通俗易懂的方式來理解。例子1 我們用扔硬幣的方式來理解極大似然估計，一般來說，一枚硬幣...
極大似然估計
在機器學習的領域內，極大似然估計是最常見的引數估計的方法之一，在這裡整理一下它的基本原理。極大似然估計從根本上遵循 眼見為實，這樣的哲學思想。也就是說，它嚴格地僅僅利用了已知的實驗結果，來估計概率模型中的引數。極大似然估計的計算過程非常簡單 1.寫出似然函式 2.求出使得似然函式取最大值的引數的值，...