期望最大化算法（EM算法）
EM算法适用于：当拥有缺失数据的时候，可以迭代的做参数估计 即EM算法是 含有隐变量或潜在变量的概率模型参数的极大似然估计法。 分为两步：E步，用当前的参数计算一个数据点标签的分布； M步，用当前标签分布的猜测去升级参数； 应用场景1：看一组数据是由多少个高斯混合模型组成 下面是李航博士的《统计学习方法》书中所推导的EM算法过程。 推导过程：
相关文章
- 1. EM算法--期望最大化算法
- 2. EM（Expectation Maximization 期望最大化）算法
- 3. EM最大期望算法(Expectation Maximization)
- 4. EM（期望最大）算法详解(上)
- 5. EM最大指望算法
- 6. 最大指望算法 EM
- 7. 最大化指望算法（EM）详解
- 8. EM聚类算法（学习笔记）最大期望算法
- 9. 机器学习（7）：EM（期望最大化）算法
- 10. 机器学习之期望最大化算法(Expectation Maximization, EM)
- 更多相关文章...
- • PHP 运算符 - PHP教程
- • Scala 运算符 - Scala教程
- • 算法总结-广度优先算法
- • 算法总结-深度优先算法
相关标签/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
欢迎关注本站公众号,获取更多信息
