期望最大化（Expectation Maximization， EM）算法，是一种求解含有隐变量（Latent Variable）的概率模型参数的极大似然估计（Maximum Likelihood Estimation），或称极 大后验概率估计。 EM 算法并不是简单地将数据的输入输出格式固定，然后直接调用 工具包就可以使用，而是需要根据其思想基于具体问题设计相应具体算法，因此 EM 算法更可以说是一种框架或者方法论。

主要介绍了python简单实现最大似然估计&scipy库的使用详解，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

朴素贝叶斯估计 朴素贝叶斯是基于贝叶斯定理与特征条件独立分布假设的分类方法。首先根据特征条件独立的假设学习输入/输出的联合概率分布，然后基于此模型，对给定的输入x，利用贝叶斯定理求出后验概率最大的输出y。 具体的，根据训练数据集，学习先验概率的极大似然估计分布 以及条件概率为 Xl表示第l个特征，由于特征条件独立的假设，可得 条件概率的极大似然估计为 根据贝叶斯定理 则由上式可以得到条件概率P(Y=ck|X=x)。 贝叶斯估计 用极大似然估计可能会出现所估计的概率为

本PDF从逻辑斯蒂分布、二项逻辑斯蒂回归模型、时间对数几率、极大似然估计法、模型应用等五个版块简述了逻辑斯蒂回归模型，含有Python代码。