“参数估计是…通过测量或经验数据来估计概率分布参数的数值”—Wikipedia如是说。
可是我们最熟悉的最小二乘估计不是没有概率分布么？不，它实际上是高斯分布的估计—我在上一章如是说。
绕过了这道坎，我们就能站在概率论的角度考虑问题了。
这时我们会发现各种各样的参数估计方法，例如极大似然估计、最大后验估计、贝叶斯推断、最大熵估计，等等。虽然方法各不相同，但实际上背后的道理大体一样。想要了解它们之间的联系与区别，只要举一个最简单的例子就可以了：观测到一堆从某个高斯分布产生的数值，请估该计高斯分布的参数之一—均值。下图就是我们的实验数据：从一个0均值一维高斯分布中产生的1000个点，横坐标是数据的序号（1：1000），纵坐标是样本点的值。
1. 极大似然估计(MLE)
怎样的参数是最好的？使得观测数据出现的概率(即所谓likelihood，似然)最大的参数就是最好的。这个朴素的思想，就是极大似然估计(Maximum Likelihood Estimation, MLE)。对一个独立同分布(i.d.d)的样本集来说，总体的似然就是每个样本似然的乘积。例如本例中的似然(Likelihood)显然是：
在实际中，因为连乘计算起来比较麻烦，并且概率都很小，难免越乘越接近0最终引发数值bug，因此多对其取log， 得到log似然( log likelihood)：
log并不改变似然函数的凸性，因此可令其对u取极值，显然得到:
这就完成了对高斯分布均值的极大似然估计。值得一提的是，该例的log似然实在是太简单，所以这个极值可以直接求导得到；在更多的情况下，我们需要通过梯度下降法等最优化算法来求解。而绝大部分最优化的工具包都默认求函数的最小值，因此别忘了把你的log似然乘以-1变成负log似然(Negative Log Likelihood)，在你把它塞给一个最优化工具包之前。
2.最大后验估计(MAP)
MLE简单又客观，但是过分的客观有时会导致过拟合(Over fitting)。在样本点很少的情况下，MLE的效果并不好。为此，贝叶斯学派发明了最大后验估计(Maximum a Posterior)。先看一个最简单的概率图模型，借此来复习一下先验、似然、后验:
likelihood:对一个待估参数θ来说，它产生观测样本x的概率密度函数p(x|θ)叫做x的似然；
prior:θ本身是一个未观测到的变量，既然未观测到，也就是可以看成一个随机变量，假设其服从以α为参数的概率分布p(θ|α),叫做θ的先验；
posterior:在观测到x之后，我们对θ的认识得到了增强，将它的概率分布修正为p(θ|α,x),这个就叫做θ的后验；简单套用一下贝叶斯公式，可以得到后验分布：
即先验和似然的乘积。在本文的例子中，假设我们预先知道均值u本身服从一个高斯分布，其均值为u0，方差为σ0，那么观测到数据样本之后，u的后验分布为：
接下来就和MLE完全一样了：求一个u使得后验概率最大即可。方便起见，把u0固定成0，变化σ0做几组对比实验:
横轴是参数估计所用到的样本数，纵轴是估计值与真实值之间的误差。σ0取了0.01、0.1、1等三个值，作为方差，值越小先验的强度越大。
可见：
1) MLE在数据较少时不准确
2) 先验强的MAP(图中红线、黄线)可以在少量数据时就达到较好的结果
3) 先验弱的MAP(图中蓝线)退化为MLE
还有一点在图中看不出来：假如我们预先知道的关于u的信息是不对的，即选择了一个强但偏离实际的先验(例如把u0设置成5, σ0设置成0.01)会怎样？其实那样的话结果甚至还不如MLE，这也是贝叶斯学派广为诟病的硬伤之一：凭什么去选择先验？大部分时候，我们选一个方便计算但不包含太多信息的共轭先验（什么是共轭先验？下回分解）。
3.贝叶斯推断(Bayesian Inference)
其实MAP不仅让频率学派的人不领情，甚至不能令苛刻的贝叶斯学派满意。
一来，MAP只取后验分布的峰值（众数，mode），而mode往往不具有很强的代表性（特别是在多峰的函数中）；
二来，MAP有一个独特的缺点，对参数形式敏感。如果我们要估计方差，就会发现，将方差作为参数得到的解，并不是将标准差作为参数得到的解的平方。而MLE可不会这样。
那么与其将后验分布的峰值拿来凑合，还不如将整个后验分布求出来，用一个分布来描述待估的参数。这就是Inference。
可是我们刚才在MAP中不是已经求出了整个后验分布么？是的，这是因为例子太简单了。在绝大部分超过三个节点的概率图模型中，都无法求出精确的后验分布，我们需要借助于各种各样的近似手段,于是才有了拉普拉斯近似、变分推断、Gibbs采样…等等等等，内容庞杂，下回再表。
4.最大熵估计
前例中的估计无不建立在这样一个基础上：已知分布的形式，求分布的参数。但是如果并不知道分布的形式，还能估计么？答案是不仅可以，并且靠谱。这就是鼎鼎有名的最大熵法。关于怎么样从最大的熵原理推导出最大熵估计，已经有足够多的介绍，在这里就不说了。
我们要说的是，其实最大熵估计也是一种MLE。
首先，我们不知道样本的分布形式，但是它作为一个概率分布，一定会满足
1)处处非负
2)和为1
于是，可以随意构造一个这样的函数：
其中
指数保证了非负，Z保证了归一化，因此f(x)可以构造成任意一个关于x的函数--茫茫大海中，总会有一个f(x)使得p(x)接近样本的真实分布。
现在我们来对这个分布做MLE，其log似然是:
这个log似然对λ来说是凸的，因此使用简单的优化算法(比如梯度下降)，就可以求得一个最优的λ,把λ代入p(x)的通项公式中，就可以得到分布的具体形式。特别的，当我们取f(x)=(x,x2)时，所得结果就是一个高斯分布。从另一方面来说，估计的结果严重依赖于选择怎样的f(x),这一点和MAP有些类似。
-这个结果和最大熵估计完全等价。也就是说，最大熵估计等同于对以下形式的模型的MLE:
而这种形式的模型，被统一称作“对数线性模型”(log linear model)。它是logistic回归、最大熵模型、以及以条件随机场(CRF)为代表的各种概率无向图的的基础。