bard182 Asked:2020-05-18 03:50:42 +0000 UTC2020-05-18 03:50:42 +0000 UTC 2020-05-18 03:50:42 +0000 UTC 如何用一个隐喻来描述最大似然法的本质？ 772 我是否正确理解 MMP 与梯度下降方法相反（并且相似）并且它们可以相互替换？但是我们想要“最大化利润”而不是“损失最小化”？或者，打个比方，我们不想寻找底部，而是想要攀登最高的山峰？ машинное-обучение 1 个回答 Voted Best Answer passant 2020-05-18T23:59:26Z2020-05-18T23:59:26Z 我不会这么说的。 事实上，梯度下降法只是解决优化问题的一种“技术”方法。顺便说一句——当然，它被称为“梯度下降”，但实际上，通过改变符号，它既解决了最小化问题，也解决了最大化问题。以及任何此类任务。在实践中，它回答了特定公式优化问题中“如何得到结果”的问题。 但是最大似然的方法 - “方法论”。那些。它描述了如何将一些实际问题简化为优化问题。在实践中，他会说什么以及 - 最重要的是 - 为什么你需要这样做才能获得结果。 请注意，将问题简化为优化问题后，我们完全没有义务继续使用梯度下降。例如，回归和其他一些问题通常可以在不涉及梯度下降的情况下解决。 梯度下降是幸运的。首先，它显然更容易理解。其次，美丽的类比经常被用来解释它——山脉、倾盆大雨、滑雪等。总的来说，它可以“在手指上”进行解释，几乎不需要数学——至少在第一个近似值中。但是要理解 MMP，即使是最肤浅和近似的，也有必要或多或少认真地沉浸在数学和概率论中（一般来说，尤其是其中的一些特殊部分）。同时，没有美感和外在效果。就像那样，这种方法无法即时解释。虽然在重要性和基础性上，无疑比梯度下降法高出几个数量级。 如果您想了解 MMP 是什么，请至少查看一些文章 https://towardsdatascience.com/search?q=maximum%20likelihood%20estimation 或者这是另一个 https://machinelearningmastery.com/what-is-maximum-likelihood-estimation-in-machine-learning/
我不会这么说的。
事实上，梯度下降法只是解决优化问题的一种“技术”方法。顺便说一句——当然，它被称为“梯度下降”，但实际上，通过改变符号，它既解决了最小化问题，也解决了最大化问题。以及任何此类任务。在实践中，它回答了特定公式优化问题中“如何得到结果”的问题。
但是最大似然的方法 - “方法论”。那些。它描述了如何将一些实际问题简化为优化问题。在实践中，他会说什么以及 - 最重要的是 - 为什么你需要这样做才能获得结果。
请注意，将问题简化为优化问题后，我们完全没有义务继续使用梯度下降。例如，回归和其他一些问题通常可以在不涉及梯度下降的情况下解决。
梯度下降是幸运的。首先，它显然更容易理解。其次，美丽的类比经常被用来解释它——山脉、倾盆大雨、滑雪等。总的来说，它可以“在手指上”进行解释，几乎不需要数学——至少在第一个近似值中。但是要理解 MMP，即使是最肤浅和近似的，也有必要或多或少认真地沉浸在数学和概率论中（一般来说，尤其是其中的一些特殊部分）。同时，没有美感和外在效果。就像那样，这种方法无法即时解释。虽然在重要性和基础性上，无疑比梯度下降法高出几个数量级。
如果您想了解 MMP 是什么，请至少查看一些文章
https://towardsdatascience.com/search?q=maximum%20likelihood%20estimation
或者这是另一个
https://machinelearningmastery.com/what-is-maximum-likelihood-estimation-in-machine-learning/