EM 算法

本文介绍EM算法在含有隐变量的概率模型中用于极大似然估计或后验概率估计的应用场景,特别是如何通过引入不可观测数据来简化似然函数或使最大似然估计得以进行。

EM:主要用于含有隐变量的概率模型参数的极大似然估计或者是后验概率估计


而我需要的是后验概率估计

完全数据:

观测样本 X = (X1, · · · , Xn)T 连同隐性数据或缺失数据等不可观测数据 Y ∈ Y 扩充而得的数据 Z ∈ Z 称为完全数据 (complete data) 或扩充数据,引入 Y 的目的或者为了简化了似然函数,或者为了在缺失数据的情况之下使得最大似然估计得以进行。

评论
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
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