【概率图与随机过程】09 探索EM公式的底层逻辑与由来

本文详细介绍了EM算法中的E步和M步,通过数学推导揭示了EM公式的由来。文章首先定义了观测数据、非观测数据和完整数据的概念,然后阐述了EM算法的目标是最大化似然估计。通过贝叶斯定理和证据下界(ELBO)的概念,解释了如何通过优化ELBO来间接最大化似然函数。最后,讨论了在每轮迭代中通过设置KL散度为零,使得EM公式能够有效地迭代更新参数。
摘要由CSDN通过智能技术生成

1.EM公式中的E步和M步

上一讲,我们是直接拿出了 E M EM EM的迭代公式,通过证明了他的收敛性,验证了这种迭代法求解参数 θ \theta

评论 1
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

打赏作者

石 溪

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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