【机器学习】EM 算法

本文详细介绍了 Jensen 不等式,包括定义、证明和一般形式,并探讨了其在 EM 算法中的应用。接着,文章深入解析了 EM 算法,包括其在概率模型参数估计中的作用,隐变量的概念,算法模板,收敛性证明以及与梯度下降算法的对比。最后,通过实例和直观解释阐述了 EM 算法的适用场景。
摘要由CSDN通过智能技术生成

在本文中规定,下凸函数为类似于 f ( x ) = x 2 f(x)=x^2 f(x)

  • 3
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 4
    评论
评论 4
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

不牌不改

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