一直對貝葉斯裡面的似然函式（likelihood function），先驗概率（prior），後驗概率（posterior）理解得不是很好，今天彷彿有了新的理解，記錄一下。
看**的時候讀到這樣一句話：
原來只關注公式，所以一帶而過。再重新看這個公式前的描述，細思極恐。
the likelihood function of the parameters θ = given the observations d can be factored as..
兩個疑問：likelihood function為什麼會寫成條件概率的形式？given的明明是d，為什麼到後面的公式裡，卻變成了givenθ呢？
下面整理一下自己的理解，借用wikipedia裡面硬幣的例子。
常說的概率是指給定引數後，**即將發生的事件的可能性。拿硬幣這個例子來說，我們已知一枚均勻硬幣的正反面概率分別是0.5，要**拋兩次硬幣，硬幣都朝上的概率：
h代表head，表示頭朝上
p(hh | ph = 0.5) = 0.5*0.5 = 0.25.
這種寫法其實有點誤導，後面的這個p其實是作為引數存在的，而不是乙個隨機變數，因此不能算作是條件概率，更靠譜的寫法應該是 p(hh;p=0.5)。
而似然概率正好與這個過程相反，我們關注的量不再是事件的發生概率，而是已知發生了某些事件，我們希望知道引數應該是多少。
現在我們已經拋了兩次硬幣，並且知道了結果是兩次頭朝上，這時候，我希望知道這枚硬幣丟擲去正面朝上的概率為0.5的概率是多少？正面朝上的概率為0.8的概率是多少？
如果我們希望知道正面朝上概率為0.5的概率，這個東西就叫做似然函式，可以說成是對某乙個引數的猜想（p=0.5）的概率，這樣表示成(條件)概率就是
l(ph=0.5|hh) = p(hh|ph=0.5) = （另一種寫法）p(hh;ph=0.5).
為什麼可以寫成這樣？我覺得可以這樣來想：
似然函式本身也是一種概率，我們可以把l(ph=0.5|hh)寫成p(ph=0.5|hh); 而根據貝葉斯公式，p(ph=0.5|hh) = p(ph=0.5,hh)/p(hh)；既然hh是已經發生的事件，理所當然p(hh) = 1,所以：
p(ph=0.5|hh) = p(ph=0.5,hh) = p(hh;ph=0.5).
右邊的這個計算我們很熟悉了，就是已知頭朝上概率為0.5，求拋兩次都是h的概率，即0.5*0.5=0.25。
所以，我們可以safely得到:
l(ph=0.5|hh) = p(hh|ph=0.5) = 0.25.
這個0.25的意思是，在已知丟擲兩個正面的情況下，ph = 0.5的概率等於0.25。
再算一下
l(ph=0.6|hh) = p(hh|ph=0.6) = 0.36.
把ph從0~1的取值所得到的似然函式的曲線畫出來得到這樣一張圖：
（來自wikipedia）
可以發現，ph = 1的概率是最大的。
即l(ph = 1|hh) = 1。
那麼最大似然概率的問題也就好理解了。
最大似然概率，就是在已知觀測的資料的前提下，找到使得似然概率最大的引數值。
這就不難理解，在data mining領域，許多求引數的方法最終都歸結為最大化似然概率的問題。
回到這個硬幣的例子上來，在觀測到hh的情況下，ph = 1是最合理的（卻未必符合真實情況，因為資料量太少的緣故）。
先理解這麼多。
如何理解似然函式
hitao 計算機研究僧，運動愛好者 240 人贊同了該回答 這個是quora上的乙個回答 what is the difference between probability and likelihood?2我們可以做乙個模擬，假設乙個函式為 如果你令b 2，這樣你就得到了乙個關於a的二次函式，即...
對數似然函式理解
對數似然函式 log likelihood 機器學習裡面，對模型的訓練都是對loss function進行優化，在分類問題中，我們一般使用最大似然估計 maximum likelihood estimation 來構造損失函式。對於輸入的x，其對應的類標籤為t，我們的目的是找到使p t x 最大的模...
極大似然函式求解 極大似然估計的理解與應用
極大似然估計是概率論中乙個很常用的估計方法，在機器學習中的邏輯回歸中就是基於它計算的損失函式，因此還是很有必要複習一下它的相關概念的。背景先來看看幾個小例子 獵人師傅和徒弟一同去打獵，遇到乙隻兔子，師傅和徒弟同時放槍，兔子被擊中一槍，那麼是師傅打中的，還是徒弟打中的？乙個袋子中總共有黑白兩種顏色10...