《统计学习方法》笔记九 EM算法及其推广
2024-08-27 23:44:37
本系列笔记内容参考来源为李航《统计学习方法》
EM算法是一种迭代算法,用于含有隐变量的概率模型参数的极大似然估计或极大后验概率估计。迭代由
(1)E步:求期望
(2)M步:求极大
组成,称为期望极大算法。
EM算法引入
EM算法是通过不断求解下界的极大化逼近求解对数似然函数极大化的算法。
EM在监督学习中的应用
收敛性
EM算法在高斯混合模型学习中的应用
高斯混合模型
高斯混合模型参数估计的EM算法
EM算法的推广
EM算法还可解释为F函数的极大-极大算法,基于这个解释有若干变形与推广。
首先引入F函数的概念
最新文章
- markdown学习/mou
- [ MySql学习心得 ] --One
- python中的enumerate
- PWM波控制舵机总结
- 【BZOJ-3653】谈笑风生 DFS序 + 可持久化线段树
- HDU 3311 Dig The Wells(斯坦纳树)
- 简单的php表单
- GCOV 使用用例
- 关于Docker中的Images与Containers
- find命令 参数
- 提升Tesseract-OCR输出的质量
- 常见类 Object
- Java 面向切面 AOP
- 『Scrapy』爬取腾讯招聘网站
- DevExpress v18.1新版亮点——WinForms篇(一)
- virtualbox+vagrant学习-3-Vagrant Share-2-HTTP Sharing
- Phoenix的安装使用与SQL查询HBase
- appcompat_v7怎么不创建
- MongoDB 安装、运行、使用、数据恢复
- Eclipse快捷键和练习题(倒叙,排序)