MLE не всегда хорош

Если структура модели совпадает с данными MLE даст лучший результат.

Если не совпадает, а в реальности модель это всегда упрощение.
MLE может дать непредсказуемые и большие ошибки на моментах от которых зависит прибыль.

Из за несоответствия структуры — оптимизатору прийдется куда то запихнуть ошибки несоответствия. 
И куда он их запихнет неизвестно, возможно именно в те места которые наиболее важные для прибыли.

Решение дополнительно проверять ошибки по важным для прибыли моментам, и если нужно исправить структуру модели.

Иногда исправить не получается, и я не нашел ничего лучше чем к MLE добавить наказание по важным моментам.

Это создает проблемы:

— Веса наказания прийдется подбирать наугад
— Искажается оценка параметров и их неопределенность.
— Риск переобучения.

Но это допустимые проблемы. А большая ошибка в важных для прибыли моментах которую непредсказуемо может дать MLE критична.