写一段python代码，让它可以弄出最大似然函数

在Python中，最大似然估计通常用于估计概率模型的参数，给定一些观察数据。下面是一个简单的例子，展示如何使用scikit-learn库中的`LogisticRegression`类来进行二分类问题的最大似然估计：

from sklearn.datasets import make_classification
from sklearn.linear_model import LogisticRegression
import numpy as np

# 创建随机数据集
X, y = make_classification(n_samples=100, random_state=42)

# 创建Logistic Regression模型
model = LogisticRegression(solver='lbfgs', max_iter=1000)  # 使用L-BFGS算法求解极大似然

# 使用最大似然估计初始化参数
initial_theta = np.zeros(X.shape[1])
model.coef_ = initial_theta  # 这里假设模型系数需要初始化为全零

# 模拟最大似然估计过程，实际上我们会使用fit方法直接拟合数据
# fit方法会自动寻找最大化似然的参数
# model.fit(X, y)

# 如果你想手动优化参数，可以尝试使用梯度下降或其他优化算法
# 例如使用scipy的optimize模块
# from scipy.optimize import minimize
# result = minimize(loss_function, initial_theta, args=(X, y), method='bfgs')

# loss_function是一个自定义的负对数似然损失函数
def negative_log_likelihood(theta, X, y):
    log_probs = model.predict_log_proba(X)[:, 1]
    return -np.mean(y * log_probs + (1 - y) * log_probs)

# 最终得到的coef_变量就是最大似然估计的参数
print("Maximized likelihood parameters:", model.coef_)