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 到 θi+1 的过程,每次迭代应该是要满足 P(Y|θ</
EM算法知识点整理
最新推荐文章于 2022-10-28 10:38:10 发布
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