EM算法收敛性的推导

最新推荐文章于 2024-07-19 10:51:16 发布

persist_forever

最新推荐文章于 2024-07-19 10:51:16 发布

阅读量6k

点赞数

分类专栏：算法推导文章标签： EM算法

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/sinat_26376671/article/details/44313885

版权

EM算法收敛性的推导

当第t次迭代开始时，将上一步的参数计算先验概率分布和条件概率分布以求出后验概率分布为 $P(Z \mid Y,\theta^{(t)})$ ，带入下限函数B得

B (θ (t), θ) = \sum z P (Z ∣ Y, θ (t)) log P ( X , Y ∣ θ ) P ( Z ∣ Y , θ ( t ) )

$B(\theta^{(t)},\theta)=\sum_z P(Z \mid Y,\theta^{(t)}) \log \frac{P(X,Y \mid \theta)}{P(Z \mid Y,\theta^{(t)})}$ 似然函数L和下限函数B在

θ(t) $\theta^{(t)}$ 这一点相等，如下

B (

最低0.47元/天解锁文章

persist_forever

关注

0
点赞
踩
5

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。