極大似然估計(jì)（Maximum likelihood estimation, 簡(jiǎn)稱MLE）是很常用的參數(shù)估計(jì)方法，極大似然原理的直觀想法是，一個(gè)隨機(jī)試驗(yàn)如有若干個(gè)可能的結(jié)果A，B，C，... ，若在一次試驗(yàn)中，結(jié)果A出現(xiàn)了，那么可以認(rèn)為實(shí)驗(yàn)條件對(duì)A的出現(xiàn)有利，也即出現(xiàn)的概率P(A)較大。也就是說(shuō)，如果已知某個(gè)隨機(jī)樣本滿足某種概率分布，但是其中具體的參數(shù)不清楚，參數(shù)估計(jì)就是通過若干次試驗(yàn)，觀察其結(jié)果，利用結(jié)果推出參數(shù)的大概值。極大似然估計(jì)是建立在這樣的思想上：已知某個(gè)參數(shù)能使這個(gè)樣本出現(xiàn)的概率最大，我們當(dāng)然不會(huì)再去選擇其他小概率的樣本，所以干脆就把這個(gè)參數(shù)作為估計(jì)的真實(shí)值（請(qǐng)參見“百度百科”）。

本文以一個(gè)簡(jiǎn)單的離散型分布的例子，模擬投擲硬幣估計(jì)頭像(head)向上的概率。投擲硬幣落到地面后，不是head向上就是tail朝上，這是一個(gè)典型的伯努利實(shí)驗(yàn)，形成一個(gè)伯努利分布，有著如下的離散概率分布函數(shù)：

其中，x等于1或者0，即結(jié)果，這里用1表示head、0表示tail。

對(duì)于n次獨(dú)立的投擲，很容易寫出其似然函數(shù)：

現(xiàn)在想用極大似然估計(jì)的方法把p估計(jì)出來(lái)。就是使得上面這個(gè)似然函數(shù)取極大值的情況下的p的取值，就是要估計(jì)的參數(shù)。

首先用Python把投擲硬幣模擬出來(lái)：

通過此模擬，使用sympy庫(kù)把似然函數(shù)寫出來(lái)：

從上面的結(jié)論可以看出，作100次伯努利實(shí)驗(yàn)，出現(xiàn)positive、1及head的數(shù)目是53個(gè)，相應(yīng)的0也就是tail的數(shù)目是47個(gè)，比較接近我們?cè)O(shè)的初始值0.5即1.0/2（注意：現(xiàn)在我們假設(shè)p是未知的，要去估計(jì)它，看它經(jīng)過Python的極大似然估計(jì)是不是0.5！）。

下面，我們使用Python求解這個(gè)似然函數(shù)取極大值時(shí)的p值：

結(jié)果沒有什么懸念，53/100的值很接近0.5！

取對(duì)數(shù)后，上面Python的算法最后實(shí)際上是求解下式為0的p值：

上式留給網(wǎng)友自行推導(dǎo)，很多資料都可找到該式。這個(gè)式子，是著名的Logistic回歸參數(shù)估計(jì)的極大似然估計(jì)算法的基礎(chǔ)。

進(jìn)一步，為了更加直觀的理解投擲硬幣的伯努利實(shí)驗(yàn)，我們給出以均值（均值為100*0.5=50）為中心對(duì)稱的加總離散概率（概率質(zhì)量函數(shù)（probability mass function），Python里面使用pmf函數(shù)計(jì)算）：

對(duì)于上面的Python代碼，可以通過下圖更好地去理解：

把這20個(gè)離散的概率全部顯示出來(lái)，也可以看到在0.08左右取到它們的最大值：

本文針對(duì)簡(jiǎn)單的離散概率質(zhì)量函數(shù)的分布使用Python進(jìn)行了極大似然估計(jì)，同時(shí)該方法可以應(yīng)用于連續(xù)分布的情形，只要通過其概率密度函數(shù)得出其似然函數(shù)即可。希望網(wǎng)友把本文的代碼實(shí)踐一遍，也可以和R語(yǔ)言、SAS等軟件得到的結(jié)論相比較，從而得到更好的極大似然估計(jì)的實(shí)現(xiàn)方法。