我试图了解NLP的最大可能性。我在看这个预言：
http://www.phontron.com/slides/nlp-programming-en-01-unigramlm.pdf（第9页）
我在Manning和Schütze的统计语言处理基础中看到了相同的等式。
现在，我理解MLE的方式就是这个：
我知道实验的结果，我知道基础分布，但我不知道单个事件的可能性。 MLE通过找到最有可能给出我的观察的概率值来帮助我找到概率（或更一般的未知参数）。
所以MLE告诉我，当任何单个事件的概率为x时，观察某个事件的概率最高。
现在如果这是真的，为什么幻灯片上没有微积分？为什么在这种情况下MLE是通过一个简单的分数来计算的？我不知道这与MLE有什么关系？
我想，MLE是一个最大化问题......？
答案 0 :(得分：1)
MLE确实是一个最大化问题。在幻灯片中，他们跳过了计算，只是指出了MLE的结果。如果您想查看完整的派生，可以在此处查看第3页 http://statweb.stanford.edu/~susan/courses/s200/lectures/lect11.pdf
此链接解释了如何找到多项分布参数的最大似然估计，同样类型的计算也会导致您在幻灯片中看到的结果。
链接中的n与幻灯片中的c(w1,…,wi−1)相对应（因为这是案例总数），链接中的x_i与您的c(w1,…,wi)相对应幻灯片（因为这是您要计算的特定案例的总数，在所有案例中）。