※ 引述《int0x80 (夜に纷れ)》之铭言：
: ※ 引述《std92050 (熊猫大学劣等生)》之铭言：
: : 这样看起来MLE很trivial，但这也是因为你一开始就用了太多参数overfitting了，
: : 之后也没办法根据这个结果做预测
: 我其实对这种统计的东西只有在大学机率课的时候学过一点点
: 不过我记得在教 MLE 的时候是说
: 既然他们似乎没有明显哪一个比较好，那你就拿能够有最大 likelihood 的
: 然后这和 uniform prior 下的 MAP 会有一样的结果
: 可是如果因为用太多参数而 overfit 就限缩参数的范围的话
: 感觉和把某些参数的 prior 设为 0 是一样意思
: 那既然你可以假设某些 prior 是 0，那似乎就没有设 uniform prior 的理由了
: 就是你既然能够对什么比较有可能有所假设（例如是飞天面神的机率为零）
: 那何不假设的仔细一点，而硬要直接拿 likelihood 呢
: 我当时是这么想的，可能有点蠢，不过我的确不懂用 MLE 的理由
ML不就是给定distribution跟未知参数
然后你最佳化机率最高的参数就是最好的参数
阿如果没给定distribution就部会算了
哈 这就是我小镇做题家的极限了吧