贝叶斯派 先验分布、后验分布、似然分布、似然估计，通俗解释

先验分布、后验分布、似然分布三个应该在一起，似然估计应该分开。

前三个一起出现在贝叶斯公式，
P(θ∣X)=P(X∣θ)P(θ)P(X)P(\\theta|X)=\\frac{P(X|\\theta)P(\\theta)}{P(X)}P(θ∣X)=P(X)P(X∣θ)P(θ)​

$\theta$是分布参数，$X$是所见数据，
$P(\theta |X)$是后验，即见过数据$X$影响后的分布；
$P(\theta )$是先验，没受$X$影响前的分布；
$P(X|\theta )$是似然，即在已知分布参数$\theta$下，度量生成某个样本/事件的分布

===================================
而后面的似然估计，是参数估计的思想，是求参的思想。一般都是极大似然估计，也就是怎样改变参数才能使得分布的结果更加符合所观测的数据（或者说训练数据），而具体的方法有有：

1. 贝叶斯估计，也就是上述的朴素贝叶斯
2. （ 解析解的）极大似然估计，一般求解是：

求最大似然函数估计值的一般步骤：
（1）写出似然函数；
（2）对似然函数取对数，并整理；
（3）求导数，令导数为0，得到似然方程；
（4）解似然方程，得到的参数即为所求；

4. 期望最大（EM）方法，即没办法求解析解的参数估计
5. 以及很多深度学习加持的模型