【统计学习算法】EM算法

zcz5566719

于 2020-05-16 17:16:49 发布

阅读量828

点赞数 1

分类专栏：统计学习算法文章标签：算法聚类机器学习 python 人工智能

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/zcz5566719/article/details/106161506

版权

EM算法是一种迭代方法，用于估计含有隐变量的概率模型参数。在GMM高斯混合模型中，EM算法通过E步估计期望，M步求解极大来逼近真实参数。虽然EM算法保证收敛，但其对初始值敏感，可能导致局部最优解。可以通过预处理如k-means聚类来改善初始化，提高聚类效果。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

引言：

Em算法是一种迭代算法，用于对含有隐变量的概率模型参数的极大似然估计。或者极大后验概率。
E步，求解期望；M步，求解极大。也成为期望极大算法。

Em算法

首先解释隐变量，隐变量是指我们无法观测到的变量，这要是我们需要估计的。三个硬币，A硬币的为正面就第二次投掷B硬币，否则投掷C硬币。并且记录第二次投掷的结果作为观测值。因此我们可以想象，最终第二次的结果是可以被观测的，但是第一次投掷的结果其实是隐含在了第一次投掷的结果里。

如果Y表示观测数据， $\theta)$

最低0.47元/天解锁文章

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。