最大似然方法（Maximum Likelihood Estimation，簡稱MLE）是一種在統計學和機器學習中廣泛使用的參數估計方法。它的核心思想是尋找最有可能導致觀察到的數據集的參數值。具體步驟包括：
構建一個參數化的機率模型。
計算出在這個模型下觀測數據的機率函式，即似然函式。
通過最大化這個函式來估計模型的參數值。
在實際操作中，這通常涉及到對數似然函式的最大化，因為直接的最大化過程可能會因為涉及到連乘而變得複雜。通過對數轉換，可以將乘積轉化為加和，從而簡化計算過程。最大似然估計的優點包括一致性、漸進有效性和無需分布假設的靈活性。然而，它也受到計算複雜度和模型假設的局限。例如，對於複雜模型或大數據集，計算量可能很大。此外，最大似然估計依賴於模型的正確性，如果模型不準確，估計可能會偏離真實值。
最大似然方法在系統發生樹重建、結構方程模型估計等多個領域都有套用。