> 如果損失函數是正態分布函數，MLE與LSE是等價的，也就是估計的結果是相同的。 > 本課學習時長評估：2小時。 ## LSE定義 英文全稱：Least squares estimate，又叫最小平方法。 對于最小二乘估計來說，最合理的參數估計量應該使得模型能最好地擬合樣本數據，也就是**估計值與觀測值之差的平方和**最小。。 ## LSE使用場景 * 利用最小二乘法可以簡便地求得未知的數據，并使得這些求得的數據與實際數據之間誤差的平方和為最小。 * 最小二乘法還可用于曲線擬合。 * 其他一些優化問題也可通過最小化能量或最大化熵用最小二乘法來表達。 ## LSE存在的問題 ## MLE的求解過程 [視頻鏈接](https://www.bilibili.com/video/BV1mx411b7Pg) [視頻鏈接](https://www.bilibili.com/video/BV1Dx411b7mW) * 損失函數 * 求導 * 令導數為0，求超參數 ## MLE VS MLS * 最小二乘：線性代數的視角 * 最大似然：統計估計的角度 [最大似然估計與最小二乘估計的區別](https://www.cnblogs.com/little-YTMM/p/5700226.html) [最大似然估計和最小二乘估計的區別與聯系](https://blog.csdn.net/xidianzhimeng/article/details/20847289)