似然函数 (likelihood function)
从英文翻译中能够更好理解字面含义。likelihood 表示一种可能性。
不同的参数对应不同的模型，而某一个事件X，在不同模型下发生的概率是不同的。似然函数用来求不同的模型参数下，事件 X 发生的概率是多少。
最大似然估计 （Maximum Likelihood Estimation）
似然函数的最大值，就是最大似然估计。
首先确定一件事：能够真实描述事件X的模型，是使得事件X发生概率最大的模型。
已知某个事件X 已发生，并且模型已知，需要求未知的参数。当事件X发生时，最大似然估计的意义是求出一组参数，使得这组参数能够使得事件 X 发生的概率达到最大。
比如扔硬币模型。这个模型中未知的参数就是正面向上的概率 theta. 为了求得这个theta，进行了 10 次实验，发现有 6 次是正面。那么很容易得到这样的结论，当正面向上的概率是 0.6 时，10次扔硬币实验中6次向上的概率才是最大的。
最大似然估计实际上是去求一个模型的参数。也可以说最大似然估计是求一个模型。
最大后验概率（Maximum A Posterior Estimation)
有些人认为，不能通过某些事件的最大似然估计来得到这个模型的参数。因为这个事件的发生本来就有一定的偶然性。因此提出最大后验概率。
“后验”是和“先验”对比的。先验概率的意思是在预测某事件发生时，事先对该概率有一个经验性的判断。
然后结合实验，来修正这个判断。
在 Naive Bayes 中用到的概率就是最大后验概率（maximum a posterior estimation)
扫描二维码关注公众号，回复：
1780232 查看本文章
参考链接
https://blog.csdn.net/u011508640/article/details/72815981