最大似然估计（MLE）是一种参数方法吗？

Question

新颖性检测主要有概率方法：参数和非参数。 Non-para假定从训练数据导出的分布或密度函数，如核密度估计（例如：Parzen Windows），而para方法假设数据来自已知分布。

我不熟悉参数化方法。谁能告诉我一些众所周知的算法？那么，如果MLE是一种参数方法（密度曲线是已知的，然后找到对应于最大值的参数）？

Answer 1

是的，根据定义，MLE是一种参数化方法。您正在估计分布的参数，从而最大化观察数据的概率。在此之间，非参数方法通常意味着无数个参数而不是缺少参数。例如dirichlet过程。

Answer 2

我认为你对这里的许多术语感到困惑。

对于参数模型（比如高斯分布），最大似然是有意义的，因为参数的数量是先验固定的，因此有必要询问“最佳”估计是什么。最大可能性为您提供了一个（很多）可能的答案。

理解非参数方法的一种方法是随着样本数量的增加，它们的参数数量会增加。因此，KDE对每个数据点都有一个参数，加上带宽参数。 MLE在这里意味着什么？随着更多数据到达，您会增加参数的数量，因此对于一组固定的参数没有最佳值的感觉。