EM算法--三硬币模型的Q函数推导

最新推荐文章于 2023-12-22 23:15:10 发布

zhangming0411

最新推荐文章于 2023-12-22 23:15:10 发布

阅读量809

点赞数 1

分类专栏：统计学习方法 EM算法三硬币模型

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/zhangming0411/article/details/97812844

版权

统计学习方法同时被 3 个专栏收录

2 篇文章 0 订阅

订阅专栏

1 篇文章 0 订阅

订阅专栏

三硬币模型

1 篇文章 0 订阅

订阅专栏

观测数据 $y_i$ 为看到掷出来的硬币正反，正面为1，反面为0

隐藏数据 $z_i$ 为A硬币掷出来的正反，正面选择硬币B为1，反面选择硬币C为0

完全数据为 $(y_i,z_i)$ ,因此可得

$P(y_i,z_i|\theta )={(\pi p^{y_i} (1-p)^{1-y_i}) }^{z_i}{((1-\pi) q^{y_i} (1-q)^{1-y_i}) }^{1-z_i}$

完全数据的对数似然函数为

$logP(y_i,z_i|\theta )=\sum_{i=0}^{n}{z_i log{(\pi p^{y_i} (1-p)^{1-y_i}) }+(1-z_i)log{((1-\pi) q^{y_i} (1-q)^{1-y_i}) }}$

Q函数为

$Q(\theta ,\theta ^{(i)})=E_z[log P(Y,Z|\theta )|Y,\theta ^{(i)}]$

$=\sum_{i=0}^{n}{E(z_i )log{(\pi p^{y_i} (1-p)^{1-y_i}) }+(1-E(z_i))log{((1-\pi) q^{y_i} (1-q)^{1-y_i}) }}$

其中 $E(z_i)$ 等于李航大佬《统计学习方法》中公式（9.5），E步到此结束，M求导和迭代，不在赘述

关注

1
点赞
踩
5

收藏

觉得还不错? 一键收藏
0
评论
EM算法--三硬币模型的Q函数推导

观测数据为看到掷出来的硬币正反，正面为1，反面为0隐藏数据为A硬币掷出来的正反，正面选择硬币B为1，反面选择硬币C为0完全数据为,因此可得完全数据的对数似然函数为Q函数为其中等于李航大佬《统计学习方法》中公式（9.5），E步到此结束，M求导和迭代，不在赘述...
复制链接

扫一扫

专栏目录

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。