机器学习

    在初始假设阶段，对于N个数据样本来说，能够进行分类预测地基础是其满足独立同分布的要求，能够使用同一个模型进行预测估计。

    N个数据样本预测情况出现的结果都彼此独立，在当前数据集中他们同时出现，满足联合概率分布的定义，即单个数据样本预测的概率 连乘得到联合概率。

    在预测模型的参数调整阶段，找到最合适的预测分类模型的条件就是使得联合概率分布最大，这个也就是极大似然估计的理论基础解释。

    极大似然估计的核心思想是：认为当前发生的事件是概率最大的事件，就是当前已有给定的数据集中的x和y的对应关系认为是已发生的随机事件，训练确定模型中的参数，使得训练数据集上给定数据样本发生的联合概率最大。

    首先以线性回归模型为例，这个模型大致可以归纳为三个基础假设：

数据样本x和 y之间存在着线性关系。

数据样本之间的残差（预测值——真实值）之间彼此独立“同分布”，即互不影响不存在随着时间变化之类的关系。

数据样本之间的残差满足高斯分布。

    线性回归模型中，把常数b放入系数向量w中进行运算，简化标记。

    假设xi固定，而yi不确定，把yi看作是对于xi的一个取样结果，由以下式子得到，后续项作为一个噪声，优秀的模型期望肯定是yi在wxi处取得的概率最大，刚好满足正态分布。此时xi和yi并不是联合概率的关系，由于xi确定可以把yi的取值视为条件概率。

这里的正态分布取样是一个假设，逻辑证明还不严谨，但是由此可以推导出损失函数。

在yi的抽样概率区间满足正态分布后，连乘即可得到整体样本数据集的联合概率，为了求最值，将其转化为对数函数不改变其单调性。

最小二乘法的损失函数是极大似然估计在正态分布下的特例。