最大似然估计（MLE）和最小二乘法是什么关系？

简化版

最小二乘法（Least Squares） 是「让预测值与真实值的平方误差之和最小」的准则；最大似然估计（MLE） 是「让观测到的数据出现的概率（似然）最大」的通用参数估计框架。二者的关系是：在「误差服从均值为 0 的高斯（正态）分布」这一假设下，线性回归的最大似然估计恰好等价于最小二乘法。也就是说，最小二乘不是拍脑袋定的，它是「误差高斯」假设下 MLE 的必然结果。若换一种噪声假设（如拉普拉斯分布），MLE 就会导出最小化绝对误差（MAE）而非平方误差。

详细版

两个概念：

最小二乘：min Σ(yᵢ - ŷᵢ)²——一个优化准则，直接最小化平方残差。
最大似然：max Π P(yᵢ | xᵢ; θ)——一个估计框架，选让数据最可能出现的参数 θ。

等价推导（线性回归）：

假设 yᵢ = wᵀxᵢ + εᵢ，噪声 εᵢ ~ N(0, σ²)。
则 yᵢ | xᵢ ~ N(wᵀxᵢ, σ²)，单点概率密度含 exp(-(yᵢ-wᵀxᵢ)²/2σ²)。
对数似然 log L = 常数 - (1/2σ²) Σ(yᵢ - wᵀxᵢ)²。
最大化对数似然 = 最小化 Σ(yᵢ - wᵀxᵢ)² = 最小二乘。

换噪声假设 → 换损失：

噪声假设	MLE 导出的损失
高斯分布	平方误差（最小二乘 / MSE）
拉普拉斯分布	绝对误差（MAE / L1）
伯努利分布	交叉熵（逻辑回归）

完整版教学

一、两个概念先各自站稳

最小二乘法是一个几何/优化直觉：我要一条直线拟合散点，就让所有点到直线的竖直距离的平方和最小。它非常直观，高斯当年就用它算天体轨道。但它没回答一个问题——为什么是平方，不是绝对值、不是四次方？

最大似然估计（MLE）是统计学里估计参数的通用框架：手里有一批观测数据，假设它们由某个带参数 θ 的概率模型生成，那就选一组 θ，让「生成出这批我实际观测到的数据」的概率（似然）最大。直觉是「哪组参数最能解释我看到的数据，就选它」。

这两个看起来一个讲几何、一个讲概率，怎么会等价？关键在于给误差一个概率假设。

二、桥梁：给线性回归的噪声套上高斯假设

线性回归写成带噪声的形式：

yᵢ = wᵀxᵢ + εᵢ

其中 εᵢ 是每个样本的随机噪声。现在做一个关键假设：噪声服从均值为 0、方差为 σ² 的正态分布，εᵢ ~ N(0, σ²)，且样本间独立。

这个假设很自然：真实世界的观测误差往往由大量微小独立因素叠加而成，由中心极限定理趋于正态。

一旦有了这个假设，yᵢ 在给定 xᵢ 下也服从正态：yᵢ | xᵢ ~ N(wᵀxᵢ, σ²)——均值是模型预测 wᵀxᵢ，围绕它高斯地波动。

三、推导：高斯 MLE 就是最小二乘

单个样本的概率密度（高斯）：

P(yᵢ|xᵢ; w) = (1/√(2πσ²)) · exp( -(yᵢ - wᵀxᵢ)² / (2σ²) )

样本独立，整批数据的似然是连乘：

L(w) = Π P(yᵢ|xᵢ; w)

连乘不好算，取对数似然（log 单调，不改最优点）把连乘变连加：

log L(w) = Σ [ -½log(2πσ²) - (yᵢ - wᵀxᵢ)² / (2σ²) ]
         = 常数 - (1/2σ²) · Σ (yᵢ - wᵀxᵢ)²

要最大化 log L(w)：前面的常数和 1/2σ² 都与 w 无关，于是最大化 log L 完全等价于最小化：

Σ (yᵢ - wᵀxᵢ)²      ← 这正是最小二乘的目标函数！

结论：在「误差独立同分布、服从零均值高斯」的假设下，线性回归的最大似然估计 = 最小二乘估计。平方误差不是随便选的，它是高斯噪声假设下 MLE 的数学必然。这就回答了第一节那个「为什么是平方」的疑问——因为高斯密度里带着 exp(-误差²)，取对数就掉出个平方。

四、反过来看：换噪声假设，就换出别的损失

这个视角的威力在于：改变对噪声/输出分布的假设，MLE 会导出完全不同的损失函数。这把「损失函数」和「概率假设」统一了起来：

对噪声 / 输出的假设	MLE 导出的损失	对应模型
高斯分布 `N(0,σ²)`	平方误差（最小二乘 / MSE）	线性回归
拉普拉斯分布	绝对误差（MAE / L1 损失）	稳健回归
伯努利分布	交叉熵 / 对数损失	逻辑回归
泊松分布	泊松损失	泊松回归（计数）

拉普拉斯噪声 → MAE：拉普拉斯密度带 exp(-|误差|)，取对数掉出绝对值，于是 MLE 变成最小化绝对误差。这也解释了为什么 MAE 比 MSE 更抗离群点——拉普拉斯分布尾巴更厚，对大偏差更「宽容」。
伯努利 → 交叉熵：分类输出是 0/1，服从伯努利分布，对其做 MLE 就得到交叉熵损失——这正是逻辑回归用交叉熵的根本由来。

所以「用什么损失函数」本质上是在问「你假设数据的噪声/分布是什么样的」。

五、这个联系有什么用

理解损失函数的来历：损失不是玄学，多数常用损失都是某个概率假设下的负对数似然。
指导选损失：数据有很多离群点 → 噪声更像厚尾的拉普拉斯 → 用 MAE 更稳；干净近高斯 → 用 MSE。
通向正则化的贝叶斯解释：MLE 加上「参数的先验分布」就变成最大后验（MAP）——高斯先验对应 L2 正则、拉普拉斯先验对应 L1 正则。整套「损失 + 正则」都能用概率语言统一解释。
理解模型假设何时失效：若真实噪声严重非高斯（如强异方差、厚尾），最小二乘的最优性就打折，该换损失或做变换。

六、常见追问

MLE 和最小二乘总是等价吗？ 不是。只有在高斯噪声假设下才等价。换分布就不等价。
为什么要取对数似然？ 连乘变连加、防数值下溢、且 log 单调不改最优解位置，纯为好算。
σ² 未知有影响吗？ 对求 w 没影响（它是与 w 无关的常数因子），σ² 本身也可由 MLE 估计（残差方差）。
最小二乘一定要正态假设吗？ 不需要。把 OLS 当作优化准则不需要分布假设；在条件均值线性、外生、同方差且误差不相关等 Gauss–Markov 条件下，OLS 成为线性无偏估计量中的最优者，也不要求误差正态。正态性主要用于小样本下精确的 t/F 推断，并使同方差高斯模型的 MLE 与 OLS 等价。

七、用算例与工程边界复核

设残差为 [1,-2]、噪声 ε~N(0,σ²)。高斯对数似然中与参数有关的部分是 -(1²+(-2)²)/(2σ²)=-5/(2σ²)；最大化它等价于最小化残差平方和 5，前提是独立、同方差高斯噪声。

对象/方案	核心机制	选择或风险
高斯噪声	负对数似然 ∝ 平方误差	得到最小二乘
拉普拉斯噪声	负对数似然 ∝ 绝对误差	得到 LAD/MAE
异方差高斯	方差随样本变化	得到加权最小二乘

把推导和选择压缩成执行路径：

choose p(y|x,θ)
 -> likelihood product
 -> negative log turns product into sum
 -> optimize corresponding loss

MLE 与最小二乘不是无条件等价；等价来自对误差分布、独立性和方差结构的具体假设。

八、常见误区与追问

误区：只要使用 MSE 就证明数据服从高斯分布。 MSE 可作为工程损失使用；概率解释成立仍需高斯噪声等假设。
误区：最大似然估计等于最大后验估计。 MAP 还乘以参数先验，负对数后常表现为额外正则项。
追问：为什么取对数不改变最优点？ log 单调递增，并把独立样本似然乘积变成更稳定的求和。
追问：σ² 未知还能推导吗？ 可以联合估计；对 β 的最优点仍是最小残差平方和。
追问：误差相关时怎么办？ 普通 OLS 的效率和推断会受影响，可使用广义最小二乘或显式相关结构。

九、加强记忆

记忆时抓住这条主线：最小二乘是「最小化平方误差」的优化准则，最大似然是「让观测数据出现概率最大」的估计框架；二者的桥梁是噪声假设：假设线性回归误差服从零均值高斯，对其做 MLE，取对数似然后高斯密度里的 exp(-误差²) 掉出平方项，最大化似然就等价于最小二乘——所以平方误差是「高斯噪声」下 MLE 的必然产物，不是拍脑袋。反过来换噪声假设就换损失：高斯→MSE、拉普拉斯→MAE（更抗离群）、伯努利→交叉熵（逻辑回归）。再加一层先验就从 MLE 变 MAP：高斯先验→L2、拉普拉斯先验→L1。记忆锚点：损失函数 = 某个概率假设下的负对数似然。

简化版

详细版