在做数据挖掘建模型的时候，比如在逻辑回归中，我们常常使用极大似然估计、梯度下降法来求参数，那么到底极大似然估计是什么？在逻辑回归中是怎么推导得来的呢？
极大似然估计，在大学数学系专业《概率论与数理统计》中出现的，是概率论在统计学的应用，它是参数估计的方法之一。极大似然估计是建立在这样的思想上：随机样本满足某种概率分布，但是其中具体的参数不清楚，假设这个参数能使这个样本出现的概率最大，所以就把这个参数作为估计的真实值。
在一个罐中随机拿去小球，假如在一百次记录中，有七十次是白球，那么我们直觉会说罐中白球所占的比例最有可能是70%。
其实这直觉的背后，我们就利用了极大似然估计
假设罐中白球的比例是p，那么红球的比例就是1−p。又因为每抽一个球后，又将其放回摇匀，所以每次抽出来的球服从独立同分布
在一百次抽样中，七十次是白球的概率是
其实还应该乘以从100中随机抽取70白球的组合C(100,70)
即独立发生的概率相乘，那么要使他最大，则P值应该为多少呢，求导即可得P=0.7
逻辑回归中的极大似然估计1，似然函数
我们知道，逻辑回归的成本函数不能像一般的回归模型那样，直接是拟合值与真实值的误差的平方。
我们假设逻辑回归预测函数是：y=1时，
h(x)就是逻辑回归模型的函数式，默认是y=1
，则y=0时，
我们可以这样写每个样本随机出现的概率函数：
刚好满足，当y=1时
y=0时：
则样本集概率：
每个样本独立同分布
这也是我们所说的似然函数
2，对数似然函数
我们对似然函数求极大值，取导数的时候太复杂了
我们对此两边取对数，变成连加的方式，这样求最大值就容易许多，可以得到对数似然函数：
取导把连乘变成加和的形式，更容易求极值
对样本观测值
，选择参数θ使得
求使得该样本概率最大的θ值
则
称为参数 θ的极大似然估计值，
注：我们可以取对数似然函数的负值作为逻辑回归的代价函数，再用梯度下降法求取模型参数
哎，数学公式太难写了，手打的太累，只好去网上借些图了，伤不起啊！