EM算法知识点整理

EM算法是一种用于含有隐变量的概率模型参数估计的方法,通过迭代求解对数似然函数的下界来逐渐逼近最大似然估计。其优点包括简单性和普适性,但对初始值敏感,可能收敛于局部最优。EM通常应用于混合高斯模型、协同过滤和k-means聚类。在k-means中,E步对应样本分配,M步更新中心点,是硬分配的特殊情况。
摘要由CSDN通过智能技术生成
  1. 自己的理解
    目标 θ̃ =argmaxθP(Y|θ)
    即我们要估计一个合理的 θ̃  使得 P(Y|θ) 达到最大值
    如果存在隐变量 Z ,我理解为 Z 是一个没有表现出来但是又是必要的一个中间态,那么 P(Y|θ) 可以表示为 P(Y|θ)=P(Y,Z|θ)=ZP(Y|Z,θ)P(Z|θ)
    然后想象一下迭代的过程,即从 θi θi+1 的过程,每次迭代应该是要满足 P(Y|θ</

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
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。

余额充值