一、EM算法
EM算法是一种迭代算法,EM算法的每次迭代由两步组成:E步,求期望;M步:求极大。EM算法就是在含有隐变量的概率模型中寻找参数极大似然估计的算法,其中概率模型依赖于无法观测的隐性变量。EM算法经过两个步骤交替进行计算:
首先,初始化待估计的值
- 第一步是计算期望(E)),利用迭代参数估计值,计算其极大似然估计值;
- 第二步极大化(M),极大化在E步上求得极大似然估计值来计算参数的值。
M步上找到的参数估计值被用于下一个E步计算中,这个过程不断交替进行。
下面介绍EM算法。
EM算法只能保证每次迭代都比上一次得到的要好,但不能保证得到全局最优解。
EM算法的缺点:
- 不能保证全局收敛
- 参数的初值可以任意选取,EM算法对初值是敏感的
EM算法的优点:迭代过程简单直接