说明，【】为个人批注，其余为原文翻译。

原文🔗：https://medium.com/swlh/probability-vs-likelihood-cdac534bf523

你可能经常看到这两个词，但你可能会分不清，实际上识别并理解它们还是比较困难的。本文就是为了帮助你更好的理解可能性和概率的区别。

Important note!

敲重点！

最大的问题，是学习和理解的方法有问题。很多人就只匆匆忙忙的去实现数据科学的算法，而不去理解某个特定的算法内部是如何工作的。

这个学习的方法是完全错的，甚至很差。但遗憾的是很多人就这样错误的学的。【很遗憾我被说中了。。调包多于理解。】

很多人脑海中有一个虚假的印象（hype），就是大多数的地方、情景或情境深度学习是有用的，在一些情况下，机器学习有用的，最后就是在很少的情况下，统计学才有用（Statistics）。这个 hype/mindset 是完全错误的，现实实际上是相反的。

现实中，深度学习是机器学习的子集，机器学习又依赖于统计学。现在，如果你有点逻辑，那你肯定就指的了，不理解统计学，你不会理解机器学习的核心的。

这就是为什么 只有当你明白了统计学，才会看清算法的真面目。这个主题是统计学的问题，可能是一些对数据科学不感兴趣的人提出的，可能只是对很小的部分感兴趣，但是真正的真相是，这小部分在数据科学这块还非常的基础，是基石（building blocks）一般的存在。你不对数据科学感兴趣也没关系，但即便是你，也可以理解一些数据科学领域的一些逻辑或基石（building blocks）。

理解这个非常重要。开始吧！

Difference between the Probability & Likelihood!

区别

概率：

给定样本分布的数据中，发现某件事的机会。

似然性/可能性 （likelihood）：

在给定数据的一些特征和情况中，发现数据的最佳分布。

Example of Probability!

概率的例子！

思考一个数据集有某个国家所有人的身高。比方说身高均值是 170，方差是 3.5。

当概率被计算的时候，那么这些数据特征，均值和方差是不会改变的，是一个常量。

那么我们可以计算出来说，身高大于 170 cm 的概率就可以这样表示：

u 是均值，sigma 就是方差。在计算概率的时候，特征值可能会变。【特征值在这里就是 170cm。】但是数据分布的特征，这批数据的均值和方差是不会变的。

如果在同一个数据集，概率大于 190 cm ，那么上面的表达式也就只有 170 cm 变成 190 cm 的差别而已。

Example of Likelihood!

可能性的例子！

【似然性，有时候也叫似然分布】

计算似然性包括计算数据的最佳分布、最佳特征，在给定一个特征值或情况的时候（given a particular feature value or situation）。

比如上面的例子，如果要计算他们身高大于 170cm 的可能性：

在计算可能性的时候，这个条件概率和概率的计算刚好反过来了。

这时，数据集的特征可能会改变，均值和方差就会开始改变，来取得 身高大于 170 cm 最大的可能性。

简单的翻译：增加特定情境发生的可能，通过改变数据集的分布特征。

Fine & Crisp Probability VS Likelihood Use-Case! 😉

概率是用来发现某个 situation（情境、事件） 发生的 chance（机会、可能）。

似然性仅仅指一般的扩大某个 situation 发生的 chances。