似然函数
先贴上链接，真香，https://zhuanlan.zhihu.com/p/33568166
p(w|D)值得是在给定训练集D的情况下，w的这组参数出现的概率，p（D|w）指的是假设我们已经得到w（训练好模型了），在这个模型下出现训练集的概率。
我们训练模型的目标是找到一个模型和其参数w，使得等式左边尽可能大，但这个p(w|D)不好求，
贝叶斯公式下，p(D|w)就是似然函数，p(w)是指w的先验分布。
先考虑分类问题：
以逻辑回归二分类作为例子，
在已经得到w的情况下，每个样本独立的话，乘法法则可得，p（D|w）=p（ (x1，y1) |w）p（(x2,y2)|w）p（(x3,y3)|w）…p（ (xn,yn) |w）
然后就得到了上面的式子，然后最大似然估计，就是最大化似然函数。
再考虑回归问题：
回归问题的概率就没法表示了，因为回归预测的是数值，分类的话因为二分类预测的本来就是概率，通过概率大小来分类，所以很方便。
那怎么办，预测值y1，真实值y2，误差t，N（t1），套个高斯分布不就把距离转化为概率了。
开头的链接也推导了，回归问题下最小化平方误差就是在假定误差是高斯分布的前提下，最大化似然函数。分类也说了，但没有假设，因为我们预测分类本来就是用的概率，不需要去假定概率分布。