EM算法用于从非完整数据中估计参数，适用于图像分割和无监督聚类。在图像分割中，每类像素被视为服从高斯分布，通过EM算法估计高斯参数。初始化参数对结果至关重要，不合适的初始值可能导致较差的分割效果。文章通过实例展示了在MATLAB中实现EM算法的过程，并观察均值和方差随迭代变化的情况。
EM 算法是求参数极大似然估计的一种方法，它可以从非完整数据集中对参数进行估计，是一种非常简单实用的学习算法。这种方法可以广泛地应用于处理缺损数据、截尾数据以及带有噪声等所谓的不完全数据，可以具体来说，我们可以利用EM算法来填充样本中的缺失数据、发现隐藏变量的值、估计HMM中的参数、估计有限混合分布中的参数以及可以进行无监督聚类等等。
贴相关几个好文章：从最大似然到EM算法浅解
混合高斯模型（Mixtures of Gaussians）和EM算法
关于算法的原理推导上面文章介绍的很详细了，在这里再白话一下个人认识的关键几点：
（1）我们要估计的是什么？估计的是未知的参数，谁的参数？你认为你的数据符合的模型的参数，那么就需要认识到我们的数据符合什么模型。看到许多用的都是数据符合高斯（混合）模型，公式也就是正态分布的那个公式：
P(x)=1
最低0.47元/天 解锁文章
扫一扫
196
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
