Machine learning 最大似然估计（MLE）是参数方法吗？

新颖性检测的概率方法主要有两种：参数方法和非参数方法。非para方法假设分布或密度函数来自于训练数据，如核密度估计，如Parzen窗口，而para方法假设数据来自于已知分布

---

我不熟悉参数化方法。有人能给我看一些著名的算法吗？顺便说一下，如果MLE是一种参数方法，那么密度曲线是已知的，然后找到对应于最大值的参数？

是的，根据定义，MLE是一种参数方法。您正在将参数估计为一个分布，从而使数据的观察概率最大化。在这两者之间，非参数方法通常意味着无限多的参数，而不是缺少参数。例如，狄利克莱过程

我想你对这里的很多术语感到困惑

最大似然法对于准经验模型（比如高斯分布）是有意义的，因为参数的数量是先验固定的，因此询问“最佳”估计值是什么是有意义的。最大可能性给出了许多可能的答案之一

---

理解非参数方法的一种方法是，它们的参数数量随着样本数量的增加而增加。因此，KDE对每个数据点都有一个参数，外加一个带宽参数。MLE在这里意味着什么？随着更多数据的到来，您会增加参数的数量，因此对于一组固定的参数来说，没有最佳值的意义。

这可能更适合于您的问题，请在您的答案中添加一些引用。