似然法是在干吗？
假设一枚不均匀的硬币，出现正面的概率是一个参数，假设为
，那么通过掷硬币，观察正面出现的次数，来反向推断的取值，就是似然；而得到最可能的的取值，就叫做极大似然估计。所以，似然法的目的就是为了找到。
再举一个例子来看：
比如你妈经常观察到你玩游戏，那么他就会认为你玩游戏的概率大于你学习的概率，然后魔偶天他回家就见到你在玩游戏，她就会说,怎么一天就知道玩。而她的这个估计，就是利用了极大似然的原理，数学上来说,极大似然估计其实是理想地认为,对于极少的样本观测,我们很可能观测到的就是发生概率最大的那次实现。
如何找？
首先，极大似然估计是基于实验的，也就是我们先做一组实验，比如上面的掷硬币，掷硬币10次，结果正面出现6次，这是我们已知的实验结果，根据这个结果，我们可以列出一个用来表示的概率函数，也就是通过可以计算出，我们当前这次实验结果出现的可能性大小：
%3D%5Cbinom%7B10%7D%7B6%7D%5Ctheta%5E6%20(1-%5Ctheta)%5E4#card=math&code=L%28%5Ctheta%29%3D%5Cbinom%7B10%7D%7B6%7D%5Ctheta%5E6%20%281-%5Ctheta%29%5E4&height=45&width=169)，这里的#card=math&code=L%28%5Ctheta%29&height=20&width=32)就被称之为似然函数。所以，求的最可能的值，就转化为了求
#card=math&code=%5Cdisplaystyle%20%20%5Carg%5Cmax_%7B%5Ctheta%7D%20L%28%5Ctheta%29&height=28&width=92)，#card=math&code=L%28%5Ctheta%29&height=20&width=32)的概率分布图如下所示，我们的目的就是找到使得#card=math&code=L%28%5Ctheta%29&height=20&width=32)极大时的
。
机器学习的用法
理解了极大似然估计，对应到机器学习上，也就是说，我们希望找到一组参数，使得训练集出现的可能性是极大的，这组参数在逻辑回归里就是特征的权重
。
引用
马同学的极大似然估计法
