Likelihood Estimation (Estimación de Verosimilitud)

Es un método estadístico utilizado para estimar los parámetros de un modelo probabilístico en base a datos observados.

Se fundamenta en la idea de medir qué tan probable es que un conjunto de datos observado haya sido generado por un modelo específico con ciertos parámetros.

En el contexto de machine learning, es especialmente útil en algoritmos que involucran modelos probabilísticos, como redes bayesianas, regresión logística y modelos generativos.

El objetivo es ajustar los parámetros del modelo para maximizar la función de verosimilitud, logrando así que el modelo describa los datos de la mejor manera posible.

Puede aplicarse tanto en datasets pequeños como en grandes volúmenes de datos, siempre que la función de verosimilitud sea computable.

Generalmente, la optimización de la verosimilitud se lleva a cabo mediante técnicas como el gradiente descendente o el método Expectation-Maximization (EM).

Es una herramienta clave para el aprendizaje supervisado y no supervisado, permitiendo sintonizar modelos para que se adapten adecuadamente a la distribución de los datos observados.