这篇博客介绍了贝叶斯定理、最大似然估计和EM算法的概念，并通过实例解释了EM算法在处理隐变量问题中的应用。首先，文章阐述了先验概率和后验概率的差异，然后详细讲解了最大似然估计的原理。接着，作者通过增加隐变量的硬币抛掷问题展示了EM算法如何在迭代过程中逐步逼近真实参数。博客以一个简单的例子深入浅出地解析了EM算法的E步（期望）和M步（最大化），帮助读者理解算法背后的直观思想。
贝叶斯定理、精准推断、最大似然估计、连续特征参数估计、EM算法 参考link，GMM通俗理解
先验概率：事情未发生，根据以往经验估计事情发生概率
后验概率：事情已经发生，根据事实去估计最可能导致此事发生的参数。
最大似然估计：根据已经发生的事情，随机估计多个概率模型，然后最大概率下发生此事的最大概率模型。
在统计学中，最大似然估计（英语：maximum likelihood estimation，缩写为 MLE），是用来估计一个概率模型的参数的一种方法。
按照字面理解，最大似然估计的意思就是最大那种可能的估计。更大白话一点，那就是“已发生的事情，在它没有发生之前，就是最可能发生的事情”。
下面我们来看几个案例：
新手和猎人外出打猎，一声枪响，动物应声而倒，你觉得是谁开的枪？
抽烟者患肺癌的概率是不抽烟者的5倍，某人患肺癌，你
订阅专栏 解锁全文
扫一扫
1210
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
