期望极大算法:Expectation Maximization Algorithm
来源:互联网 发布:php网站源码怎么修改 编辑:程序博客网 时间:2024/05/21 22:22
EM
EM算法是一种迭代的算法,也可以说是一类算法的范式。概率模型中,有时候不仅存在观测变量,还可能存在隐含变量或者潜在变量。如果模型中的变量都是观测变量,那么直接使用极大似然估计或者贝叶斯估计来估计参数;当变量中含有隐变量时,就可以采用EM算法来进行能够参数的估计。EM算法主要分为两步:E步,求期望;M步,求极大。
一般情况下,用
算法流程
输入:观测变量数据
输出:模型参数
(1) 选择参数的初值
(2) E步:记
(3)M步:求使得
(4)重复上述E步和M步,直至算法收敛。
推导
对于一个含有隐含变量的概率模型,目标是是极大化观测数据
那么由上式可以得到一个
那么:
从上式可以看出,EM算法是通过不断极大化下界来来逼近对数似然函数的极大值的算法,但不能保证得到全局最优值。
应用
1)在非监督学习中的使用:一种典型的应用就是在分类问题中,将样本的类别作为一个隐含的变量,然后可以使用EM算法求解。例如kmeas算法。
2)混合高斯模型的参数求解。
References:
[1]李航:《统计学习方法》
阅读全文
0 0
- 期望极大算法:Expectation Maximization Algorithm
- EM算法(Expectation Maximization Algorithm )
- <zz>EM(Expectation Maximization)期望最大化算法
- R语言聚类算法之期望最大化聚类(Expectation Maximization Algorithm)
- EM算法(expectation-maximization algorithm)
- EM算法(expectation-maximization algorithm)
- Expectation Maximization Algorithm(EM)算法
- EM算法学习(Expectation Maximization Algorithm)
- EM算法学习(Expectation Maximization Algorithm)
- EM算法(Expectation Maximization Algorithm)
- EM算法(Expectation Maximization Algorithm)详解
- maximum likelihood estimation( 极大似然估计 ) - 无完整数据的参数估计 --- Expectation Maximization ( 期望最大化 ) 算法
- Expectation Maximization(EM) algorithm
- EM (Expectation-Maximization) Algorithm
- Expectation–Maximization Algorithm
- Expectation Maximization-EM(期望最大化)-算法以及源码
- Expectation Maximization-EM(期望最大化)-算法以及源码
- Expectation Maximization Algorithm---opencv2.4.11
- 阶乘因式分解(一)
- 状压DP自学笔记
- 前端之必备软件
- 《Effective C++》条款07总结
- mysqldumpslow 分析mysql慢查询
- 期望极大算法:Expectation Maximization Algorithm
- C++ 多态,虚函数
- Java常见集合框架(二十二): Map之Dictionary、Hashtable
- iOS 获取通讯录的4种方式详解
- IOC,控制反转的意思,DI是依赖注入
- 得到任意长度的随机字符串
- Navicat新建并运行存储过程
- angular的$q返回一个可链式调用的promise
- 全局异常捕获