在 MLE 教程中，我们通过找到使似然最大化的单个参数值来估计硬币的偏差。
抛硬币 3 次，得到 3 个正面，MLE 表示 $\hat{\theta} = 1。
只有 3 次翻转，我们不应该确定任何事情。
问题不在于可能性，而在于 MLE 给你一个点估计，但没有办法表达怀疑。
贝叶斯推理通过计算参数值的整个分布来解决这个问题，并根据给定数据和先验知识的每个值的合理程度进行加权。
假设您认为这枚硬币可能是公平的，但您不确定。
来源：Dev.to
上一篇
下一篇
关于我们
观澜Media
AI技术 · 深度资讯 · 前沿观察。专注科技、AI、互联网领域的深度报道与前沿资讯。
