zoukankan      html  css  js  c++  java
  • 机器学习之EM算法

      EM算法原理:

      EM算法一般用于无监督学习模型,因为无监督学习没有标签(即y值),EM算法可以先给无监督学习估计一个隐状态(即标签),有了标签,算法模型就可以转换成有监督学习,这时就可以用极大似然估计法求解出模型最优参数。其中估计隐状态流程应为EM算法的E步,后面用极大似然估计为M步。

      EM算法(Expectation  Maximization Algoithm,最大期望参数)是一种迭代类型的算法,是一种 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。

      EM算法流程:

      1、初始化分布参数

      2、重复下面两个步骤直到模型收敛

        E步骤,估计隐藏变量的概率分布期望函数

        M步骤,根据期望函数重新估计分布参数

     

     

    图解EM算法原理:

      首先给定一个初始值∂^0,这时可以通过极大似然函数求解出一个新的∂^1,再把∂^1作为新的极大似然函数的参数,求得∂^2,然后不断的迭代,最后生成∂不会变,即迭代终止。求得最终解

     

  • 相关阅读:
    POJ2376 Cleaning Shifts
    百度首页图标
    NOIP2016换教室
    CH3803扑克牌
    【POJ2723】Get Luffy Out
    【USACO13DEC】 最优挤奶
    【SP2916】Can you answer these queries V
    【线段树】各种模板集合
    【SCOI2013】摩托车交易
    【CF1174D】 Ehab and the Expected XOR Problem
  • 原文地址:https://www.cnblogs.com/baoxuhong/p/10276830.html
Copyright © 2011-2022 走看看