关于最大似然法的理解

最近在看深度学习方面的资料，在很多地方都看见了最大似然法的应用。可惜一直不理解，只知道把似然函数求导得出θ或者w参数，从而得到分割超平面。

今天看了一篇博文之后，才明白。之所以要将似然函数求导得到最大值得原因。

通常都是根据事情发生结果或者事件模型去推导事件发生概率。在通过已知事件去反推事件模型的时候，就会设计到参数的计算。似然函数其实就是事件的概率函数，

只是针对参数不同。把事件概率公式写出来之后，将发生的已知事件次数带入，剩下未知的模型参数，这个时候就要确定这些参数。确定这些参数的目的就是让已知事件发生的概率最大，所以对该函数求导去最大值。

这是上面提到博文的地址：http://blog.sina.com.cn/s/blog_5ecfd9d90100lh1c.html

其中，从罐中抓白球和黑球的例子讲得很好，彻底说清楚了最大似然函数的思想。