EM(最大期望)算法
2012-06-24 22:51
260 查看
在统计计算中,最大期望(EM)算法是在概率(probabilistic)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藏变量(LatentVariable)。最大期望经常用在机器学习和计算机视觉的数据聚类(DataClustering)领域。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。
EM是一个在已知部分相关变量的情况下,估计未知变量的迭代技术。EM的算法流程如下:
初始化分布参数
重复直到收敛:
E步骤:用分布参数计算每个实例的聚类概率。(即每个实例属于不同聚类的概率)
M步骤:重新估计分布参数(如五个参数:二个均值,二个方差,一个类的先验概率),以使得数据的似然性最大
EM是一个在已知部分相关变量的情况下,估计未知变量的迭代技术。EM的算法流程如下:
初始化分布参数
重复直到收敛:
E步骤:用分布参数计算每个实例的聚类概率。(即每个实例属于不同聚类的概率)
M步骤:重新估计分布参数(如五个参数:二个均值,二个方差,一个类的先验概率),以使得数据的似然性最大
相关文章推荐
- 从数学角度看最大期望(EM)算法 I
- EM(期望最大)算法详解(上)
- 浅析K均值聚类和EM最大期望算法本质
- EM(期望最大算法)在高斯混合模型中的python实现
- 图像处理基础知识系列之四:最大似然和EM(期望最大化)算法简单梳理
- EM最大期望算法
- EM最大期望算法
- 数据挖掘十大经典算法(5) 最大期望(EM)算法
- 数据挖掘十大经典算法(5) 最大期望(EM)算法
- 数据挖掘十大经典算法(5) 最大期望(EM)算法
- 十大机器学习算法之最大期望算法(EM,Expectation-Maximization算法)
- 期望最大(EM)算法
- 从数学角度看最大期望(EM)算法 II
- EM-最大期望算法
- 数据挖掘十大经典算法(5) 最大期望(EM)算法 .
- 数据挖掘十大经典算法(5) 最大期望(EM)算法
- 数据挖掘十大经典算法(5) 最大期望(EM)算法
- opencv2.4.9中期望最大(EM)算法理解
- 最大期望算法EM-机器学习ML
- 数据挖掘十大算法---EM 期望最大算法