Likehood函数即似然函数，是概率统计中经常用到的一种函数，其原理网上很容易找到，这里就不讲了。这篇博文主要讲解Likelihood对回归模型的Probabilistic interpretation。

在我们的回归模型中由于其他因素的影响我们的预测函数为：

    其中  为影响预测的其他因素或者说噪声，我们假设这些噪声IID，我们知道随机独立同分布的噪声服从Gaussian distribution，则：

    This implies that：

    那么现在的问题转换为这样的：Given X (the design matrix, which contains all the x(i)’s) and θ, what is the distribution of the y(i)’s?  怎样来解决这个问题，我们想到了概率论里面的最大似然函数（Maximum likelihood），极大似然函数就是寻求参数的估计值 使得在给定的样本下，联合概率达到最大。其求解过程是这样的，令：

    The principal of maximum likelihood says that we should should choose θ so as to make the data as high probability as possible. I.e., we should choose θ
to maximize L(θ). Instead of maximizing L(θ), we can also maximize any strictly increasing function of L(θ). In particular, the derivations will be a bit simpler if we instead maximize the log likelihood ?(θ):

    Hence，我们只要minimizing 式子 就可以minimizing ，到这里大家看这个式子就可以知道了 Linear Regression中的cost函数的由来了吧。所以说数学这东西真的是奥妙无穷，世界上任何想当然的东西都可以用数学来证明，大家好好领会吧！！

对cost函数的概率解释