有关猫粮偏好的故事
欢迎来到“勇于学习机器学习”系列。本系列旨在简化复杂的机器学习概念，将它们呈现为轻松、富有信息的对话，就像“勇于被讨厌”一样引人入胜的风格，但重点放在机器学习上。
在本系列的这一部分中，我们的导师和学习者将进行一次关于MLE和MAP等统计概念的新讨论。这次讨论将为我们对L1和L2正则化的先前探索提供新的视角。为了全面了解，请在阅读“勇于学习机器学习：揭秘L1和L2正则化的第四部分”之前阅读本文。
本文旨在以问答的形式解决可能在您学习过程中遇到的基本问题。如常，如果您有类似的问题，您来对地方了：
- ‘似然度’到底是什么？
- 似然度和概率的区别
- 似然度在机器学习的背景下为什么重要？
- MLE（最大似然估计）是什么？
- MAP（最大后验估计）是什么？
- MLE和最小二乘法的区别
- MLE和MAP之间的联系和区别
‘似然度’到底是什么？
似然度，更具体地说是似然函数，是一种统计概念，用于评估在各种模型参数集合下观察给定数据的概率。它被称为似然度（函数），因为它是一个函数，可以量化针对统计模型的不同参数值观察当前数据的可能性有多大。
似然度似乎与概率相似。它是概率的一种形式吗？如果不是，它与概率有何不同之处？
在统计学中，似然度和概率的概念基本上是不同的。概率衡量的是在已知参数或分布的情况下，将来观察到特定结果的机会……