EM算法
2014-09-13 00:00
176 查看
摘要: 介绍EM算法的博客很多,但是这些博客的讲解并不详尽具体。笔者结合各个博客的介绍、《统计学习方法》、斯坦福机器学习讲义来介绍下EM算法。
1,1,0,1,0,0,1,0,1,1
假设只能观测到掷硬币的结果,不能观测掷硬币的过程。问如何估计三硬币正面出现的概率,即三硬币模型的参数。
解 三模型可以写作
1. 一个简单的例子
假设有3枚硬币,分别记作A,B,C。这些硬币正面出现的概率分别为π,p 和 q。进行如下掷硬币试验:首先掷硬币A,根据其结果选出硬币B或硬币C,正面选硬币B,反面选硬币C;然后掷选出的硬币,掷硬币的结果出现正面记作1,出现反面记作0;独立重复n次试验(这里,n=10),观测结果如下:1,1,0,1,0,0,1,0,1,1
假设只能观测到掷硬币的结果,不能观测掷硬币的过程。问如何估计三硬币正面出现的概率,即三硬币模型的参数。
解 三模型可以写作
相关文章推荐
- EM算法学习
- 混合高斯模型(应用和EM算法)
- PLSA中的EM算法
- EM算法:Expectation-Maximization
- EM算法估计混合高斯分布的代码示例
- 混合高斯模型(Mixtures of Gaussians)和EM算法
- 从最大似然到EM算法浅解
- 学习笔记———《EM算法》
- 【机器学习系列】EM算法求解三硬币问题(python版本)
- (EM算法)The EM Algorithm
- GMM的EM算法实现
- 【EM算法】EM(转)
- 高斯混合和EM算法
- EM算法学习
- EM算法实例
- EM算法 The EM Algorithm
- EM算法与GMM的训练应用
- 机器学习--EM算法求解高斯混合模型
- EM算法
- EM算法资料