em演算法的基本思想和步驟
1樓：轉身說再見
演算法的大概流程主要三部分：需要的預備知識、em演算法詳解和對em演算法的改進。
這個問題感覺真的不太好用通俗的語言去說明白，因為它很簡單，又很複雜。簡單在於它的思想，簡單在於其僅包含了兩個步驟就能完成強大的功能，複雜在於它的數學推理涉及到比較繁雜的概率公式等。如果只講簡單的，就丟失了em演算法的精髓，如果只講數學推理，又過於枯燥和生澀。
演算法基本雹謹思想：假設我們想估計的引數昌姿為a，b。 開始的時候a和b都未知， 但是如果我們知道了a，就能得到b。
我們得到了b就可以得到a。 em會給a乙個初始值，然後得到b，再由b得到a， 再得到b，一直迭耐肆絕代到收斂為止。
em演算法的em演算法
2樓：求虐
在統計計算中，最大期望（em）演算法是在概率（probabilistic）模型中尋找引數最大似然估計或者最大後驗估計的演算法，其中概率模型依賴於無法觀測的隱藏變數（latent variable）。最大期望經常用在機器學習和計算機視覺的資料聚類（data clustering）領域。
最大期望演算法經過兩個步驟交替進行計算：
第一步是計算期望（e），利用對隱藏變數的現有估計值，計算其最大似然估計值；
第二步是最大化（m），最大化在 e 步上求得的最大似然值來計算引數的值。
m 步上找到的引數估計值被用於下乙個 e 步計算中，這個過程不斷交替進行。
總體來說，em的演算法流程如下：
1.初始化分佈引數。
2.重複直到收斂：
e步驟：估計未知引數的期望值，給出當前的引數估計。
m步驟：重新估計分佈引數，以使得資料的似然性最大，給出未知變數的期望估計。
em演算法是什麼
3樓：東方無名談影視
最大期望演算法（expectation-maximization algorithm, em），或dempster-laird-rubin演算法，是一類通過迭代進行極大似然估計（maximum likelihood estimation, mle）的優化演算法 ，通常作為牛頓迭代法（newton-raphson method）的替代用於對包含隱變數（latent variable）或缺失資料（incomplete-data）的概率模型進行引數估計。
em演算法的標準計算框架由e步（expectation-step）和m步（maximization step）交替組成，演算法的收斂性可以確保迭代至少逼近區域性極大值 。em演算法是mm演算法（minorize-maximization algorithm）的特例之一，有多個改進版本，包括使用了貝葉斯推斷的em演算法、em梯度演算法、廣義em演算法等 。
由於迭代規則容易實現並可以靈活考慮隱變數，em演算法被廣泛應用於處理資料的缺測值 ，以及很多機器學習（machine learning）演算法，包括高斯混合模型（gaussian mixture model, gmm） 和隱馬爾可夫模型（hidden markov model, hmm） 的引數估計。
怎麼通俗易懂地解釋em演算法並且舉個例子？
4樓：寶寶92521鉀種
你知道一些東西（觀察的到的資料），你不知道一些東西（觀察不到鉛耐的），你很好奇，想知道點那些不瞭解的東西。怎麼辦呢，你就根據一些假設（parameter）先猜（e-step），把那些不知道的東西都猜出來，假裝你全都知道了；然後有了這些猜出來的資料，你反思一下，更新一芹激御下你的假設（parameter）,讓你觀察到的資料更加可能(maximize likelihood;m-stemp);然後再猜，在反思，最後，你就得到了乙個可以解釋整個資料的假設了。1.
注意，你猜的時候，要儘可能的猜遍所有情況，然後求期望（expected）；就是你不能僅僅猜乙個個例，而是要猜出來整個宇宙；2.為什麼要猜，因為反思的時候，知道全部的東西比較好。（就是p(x,z)要比p(x)好優化一些。
z是hidden states）3.最後你得到什麼了？你得到了乙個可以解釋資料的假設，可能有好多假設都能解釋資料，可能別的假設更好。
不過沒關係，有總比沒有強，知足吧。（你陷入到local minimum了）
公司有很多領導=[a總，劉總，c總]，同時有很多漂亮的女職員=[小甲，小章，小乙]。（請勿對號入座）你迫切的懷疑這些老總跟這些女職員有問題。為了科學的驗證你的猜想，你進行了細緻的觀察。
於是，觀察資料：1）a總，小甲，小乙一起出門了；2）劉總，小甲嫌巖，小章一起出門了；3）劉總，小章，小乙一起出門了；4）c總，小乙一起出門了；收集到了資料，你開始了神秘的em計算：初始化，你覺得三個老總一樣帥，一樣有錢，三個美女一樣漂亮，每個人都可能跟每個人有關係。
所以，每個老總跟每個女職員「有問題」的概率都是1/3;這樣，（e step）1）a總跟小甲出去過了1/2*1/3=1/6次，跟小乙也出去了1/6次；（所謂的fractional count）2）劉總跟小甲，小章也都出去了1/6次3）劉總跟小乙，小章又出去了1/6次4）c總跟小乙出去了1/3次<>
5樓：以心
最大似然估計和em演算法都是根據實現結果求解概率分佈的最佳引數θ，但最大似然估計中知道每個結果對應哪個概率分佈（我知道哪個指世概率分佈實現了這個結果），而em演算法面臨的問題是：我不知道哪個概率分佈實現了該結果。怎麼在不知道其概率分佈的情況下還能求解其問題？
一般的用y表示觀測到的隨機變數的資料，z表示隱隨機變數的資料(因為我們觀測不到結果是從哪個概率分佈中得出的，所以將這個叫做隱變數)。於是y和z連在一起被稱為完全資料，僅y乙個被稱為不完全資料。這時有沒有發現em演算法面臨的問題主唯族肢要就是：
有個隱變數資料z。而如果z已知的話，那問題就可用極大似然估計求解了。於是乎，怎麼穗襲把z變成已知的？
6樓：回憶
現在乙個班裡有50個男生，50個女生，且男生站左，女生站右。我們假定男生的身高服從正態分佈，女生的身高則服從另乙個正態做公升分佈：。這時候我們可以用極大似然法純卜老（mle），分別通過這50個男生和50個女生的樣本來估計這兩個正態分佈的引數。
但現在我們讓情況複雜一點，就是這50個男生和50個女生混在一起了。我們擁有100個人的身高資料，卻不知道這100個人每乙個是男生還是女生。這時候情況就有點尷尬，因為通常來說，我們只有知道了精確的男女身高的正態分佈引數我們才能知道每乙個人更有可能是男生還是女生。
但從另一方面去考量，我們只有知道了每個人是男生還是女弊改生才能儘可能準確地估計男女各自身高的正態分佈的引數。<>
什麼是演算法，演算法是什麼意思 謝謝
為解決一個確定類問題而採取的方法和步驟稱為演算法 algorithm 演算法 algorithm 是一系列解決問題的清晰指令，也就是說，能夠對一定規範的輸入，在有限時間內獲得所要求的輸出。一個演算法應該具有以下五個重要的特徵 1 有窮性 一個演算法必須保證執行有限步之後結束 2 確切性 演算法的每一...
vr中bf演算法是什麼VR中BF演算法是什麼
bf brute force 演算法是普通的模式匹配演算法，bf演算法的思想就是將目標串s的第一個字元與模式串t的第一個字元進行匹配，若相等，則繼續比較s的第二個字元和 t的第二個字元 若不相等，則比較s的第二個字元和t的第一個字元，依次比較下去，直到得出最後的匹配結果。bf演算法是一種蠻力演算法。...
emn是什麼意思？em是什麼意思？
一種檔案格式，proe用的。匯入方法如下 1 首先來開啟emn檔案，預設是找不到該檔案的，要選擇 所有檔案 2 找到該檔案後，直接雙擊開啟。3 這時會出現如下圖的提示，如果不用改pcb板厚，直接選擇 裝配 後確定。4 proe軟體自動執行後，會自動彈出一個視窗讓你找到關聯的emp檔案。5 完成後，整...