educoder机器学习 --- EM算法_第2关:实现em算法的单次迭代过程-CSDN博客

本文链接：https://blog.csdn.net/m0_62004321/article/details/121929214

该博客介绍了EM算法在机器学习中的应用，主要聚焦于如何实现EM算法的单次迭代过程，作为整个算法主循环的关键步骤。

摘要由CSDN通过智能技术生成

第1关：极大似然估计

A B D

第2关：实现EM算法的单次迭代过程

import numpy as np
from scipy import stats
def em_single(init_values, observations):
    """
    模拟抛掷硬币实验并估计在一次迭代中，硬币A与硬币B正面朝上的概率
    :param init_values:硬币A与硬币B正面朝上的概率的初始值，类型为list，如[0.2, 0.7]代表硬币A正面朝上的概率为0.2，硬币B正面朝上的概率为0.7。
    :param observations:抛掷硬币的实验结果记录，类型为list。
    :return:将估计出来的硬币A和硬币B正面朝上的概率组成list返回。如[0.4, 0.6]表示你认为硬币A正面朝上的概率为0.4，硬币B正面朝上的概率为0.6。
    """
    #********* Begin *********#
    observations = np.array(observations)
    counts = {'A': {'H': 0, 'T': 0}, 'B': {'H': 0, 'T': 0}}
    theta_A = init_values[0]
    theta_B = init_values[1]
    # E step
    for observation in observations:
        len_observation = len(observation)
        num_heads = observation.sum()
        num_tails = len_observation - num_heads
        # 两个二