写一段matlab用最大似然估计法估计训练集样本的分布参数，得到概率密度

函数，并用该概率密度函数生成测试集样本。

最大似然估计法是一种常用的参数估计方法，其基本思想是寻找能够最好地解释已知数据的模型参数。对于给定的训练集样本，我们可以使用最大似然估计法来估计其分布参数，从而得到概率密度函数。

假设我们的训练集样本为x1, x2, ..., xn，且这些样本是从某个分布中独立地、随机地抽取得到的。我们的目标是估计这个分布的参数。

假设这个分布的概率密度函数为f(x;θ)，其中θ是我们要估计的参数。对于给定的训练集样本，我们可以计算出其似然函数：

L(θ) = ∏ f(xi;θ)

最大似然估计法的基本思想是，寻找使得似然函数最大的参数θ。因为似然函数是样本的概率密度函数的连乘积，所以这个最大化的过程等价于寻找能够最好地解释已知数据的概率密度函数。

在matlab中，我们可以使用最大似然估计函数mle来实现这个过程。具体来说，我们可以按照以下步骤进行：

1. 定义分布类型和初始参数值。在这个例子中，假设我们要估计的分布是正态分布，初始参数值为均值0和方差1。

2. 使用mle函数估计参数。该函数会返回最大似然估计值以及估计的方差。

3. 根据估计的参数值生成概率密度函数。在这个例子中，我们可以使用normpdf函数生成正态分布的概率密度函数。

4. 使用生成的概率密度函数生成测试集样本。在这个例子中，我们可以使用normrnd函数生成服从正态分布的随机数。

下面是一个简单的matlab代码示例：

% 定义训练集样本
x = [1.2, 2.3, 3.4, 4.5, 5.6];

% 定义分布类型和初始参数值
dist = 'normal';
start = [0, 1];

% 使用最大似然估计函数估计参数
params = mle(x, 'distribution', dist, 'start', start);

% 根据估计的参数值生成概率密度函数
pdf = @(x) normpdf(x, params(1), params(2));

% 使用生成的概率密度函数生成测试集样本
test = normrnd(params(1), params(2), [1, 1000]);

% 绘制训练集样本和测试集样本的直方图和概率密度函数
histogram(x, 'Normalization', 'pdf');
hold on;
histogram(test, 'Normalization', 'pdf');
fplot(pdf, [min(x), max(x)]);
legend('训练集样本', '测试集样本', '概率密度函数');
xlabel('x');
ylabel('概率密度');