EM算法

本文深入讲解了EM算法在处理不完整数据集时的应用。通过给定初始模型参数,EM算法交替进行E步和M步,直至参数收敛。E步推断隐变量的期望,M步最大化似然期望。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

贴一个讲解EM的链接

https://www.cnblogs.com/bigmoyan/p/4550375.html

 

现实应用中有些数据集会不完整,比如样本属性变量的值未被观测到

 

      

       EM算法先给定一个模型参数,通过这个参数建立的模型推断隐变量z的期望。这是E步。之后进行M步,找到能使上一步产生的似然期望最大化的参数值,再将参数值用于E步,如此重复。直到参数不再变化。

 

 

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