EM算法

发表于 | 分类于 |
字数统计: 236 | 阅读时长 ≈ 1

EM算法

参考视频：https://www.bilibili.com/video/BV1qW411k7ao
PDF笔记来源：https://github.com/ws13685555932/machine_learning_derivation
讲解：https://github.com/NLP-LOVE/ML-NLP/tree/master/Machine%20Learning/6.%20EM

最大期望算法（Expectation-maximization algorithm，又译为期望最大化算法），是在概率模型中寻找参数最大似然估计或者最大后验估计的算法，其中概率模型依赖于无法观测的隐性变量。

最大期望算法经过两个步骤交替进行计算，

第一步是计算期望（E），利用对隐藏变量的现有估计值，计算其最大似然估计值； 第二步是最大化（M），最大化在E步上求得的最大似然值来计算参数的值。M步上找到的参数估计值被用于下一个E步计算中，这个过程不断交替进行。

极大似然估计用一句话概括就是：知道结果，反推条件θ。

0%