本文主要是在阅读过程中对本书的一些概念摘录，包括一些个人的理解，主要是思想理解不涉及到复杂的公式推导。会不定期更新，若有不准确的地方，欢迎留言指正交流
原博客地址： blog.csdn.net 本文完整代码github： anlongstory/awsome-ML-DL-leaninggithub.com
第 9 章 EM 算法
在统计学中，
转载
2024-08-11 15:15:22
26阅读
1.EM算法简介EM算法也称期望最大化（Expectation-Maximum,简称EM）算法，如果概率模型的变量都是观测变量（数据中可见的变量），则可以直接用极大似然估计，或者用贝叶斯估计模型参数。但是，当模型含有隐变量（数据中看不到的变量）时，就不能简单地使用这些估计方法，而应该使用含有隐变量的概率模型参数的极大似然估计法，也即EM算法。 EM算法解决这个的思路是使用启发式的迭代方法，既然我
转载
2023-10-07 12:53:30
270阅读
点赞
1评论
1硬币问题先看一个抛硬币问题，如果我们有A和B两个不均匀硬币，选择任意一个硬币抛10次(这里我们知道选择是的哪一个硬币)，共计选择5次。正面记为H，背面记为T。记录实验结果，求A和B再抛正面向上的概率？使用极大似然估计(Maximum likelihood)来算：统计出每次实验，正反面的次数多次实验结果相加相除得到结果，P(A)=0.8,P(B)=0.45但是在实际过程中，很有可能我们只知道有两个
转载
2023-07-20 14:38:52
101阅读
1．EM算法是含有隐变量的概率模型极大似然估计或极大后验概率估计的迭代算法。含有隐变量的概率模型的数据表示为 。这里，是观测变量的数据，是隐变量的数据， 是模型参数。EM算法通过迭代求解观测数据的对数似然函数的极大化，实现极大似然估计。每次迭代包括两步：步，求期望，即求 )关于)的期望： 称为函数，这里是参数的现估计值；步，求极大，即极大化函数得到参数的新估计值： 在构建具体的EM算法时，重要的是
转载
2023-11-26 18:11:55
229阅读
EM算法描述及应用场景：某个数据集中有一些数据是缺失的，那么这些数据填充为多少比较合适。这是一个比较有研究意义的问题。 EM很适合解决这个问题： 最大期望算法（Expectation-maximization algorithm，又译期望最大化算法）在统计中被用于寻找，依赖于不可观察的隐性变量的概率模型中（此处理解为缺失值），参数的最大似然估计。在统计计算中，最大期望（EM）算法是在概率模型中
转载
2023-07-20 14:38:28
112阅读
EM算法是期望最大化 (Expectation Maximization) 算法的简称，用于含有隐变量的情况下，概率模型参数的极大似然估计或极大后验估计。EM算法是一种迭代算法，每次迭代由两步组成：E步，求期望 (expectation)，即利用当前估计的参数值来计算对数似然函数的期望值；M步，求极大 (maximization)，即求参数\(\theta\) 来极大化E步中的期望值，而求出的参数
转载
2024-05-20 16:34:18
106阅读
一、算法简介。EM算法全称为Expectation Maximization，即期望极大算法，是一种用于处理含有隐变量（hidden variable）的概率模型参数的极大似然估计，或极大后验概率估计。EM算法是一种迭代算法，每一次迭代可分为两步：E步，求期望（Expectation）；M步，求极大（Maximization）。二、算法步骤。引用于PRML。三、个人总结。EM算法是求含有潜变量的模
转载
2023-05-23 11:02:50
219阅读
EM算法是机器学习中一个很重要的算法，即期望最大化算法，主要包括以下两个步骤：E步骤：estimate the expected valuesM步骤：re-estimate parameters迭代使用EM步骤，直至收敛。我觉得可以有一些比较形象的比喻说法把这个算法讲清楚。比如说食堂的大师傅炒了一份菜，要等分成两份给两个人吃，显然没有必要拿来天平一点一点的精确的去称分量，最简单的办法是先随意的把菜
转载
2024-04-20 18:49:14
27阅读
我讲EM算法的大概流程主要三部分：需要的预备知识、EM算法详解和对EM算法的改进。一、EM算法的预备知识1、极大似然估计（1）举例说明：经典问题——学生身高问题 我们需要调查我们学校的男生和女生的身高分布。 假设你在校园里随便找了100个男生和100个女生。他们共200个人。将他们按照性别划分为两组，然后先统计抽样得到的100个男生的身高。假设他们的身高是服从高斯分布的。
转载
2024-08-12 14:37:44
56阅读
最近上模式识别的课需要做EM算法的作业，看了机器学习公开课及网上的一些例子，总结如下：（中间部分公式比较多，不能直接粘贴上去，为了方便用了截图，请见谅）概要适用问题EM算法是一种迭代算法，主要用于计算后验分布的众数或极大似然估计，广泛地应用于缺损数据、截尾数据、成群数据、带有讨厌参数的数据等所谓不完全数据的统计推断问题。优缺点优点：EM算法简单且稳定，迭代能保证观察数据对数后验似然是单调不减的。&
转载
2023-09-05 08:08:05
76阅读
目录一。Jensen不等式：若f是凸函数二。最大似然估计 三。二项分布的最大似然估计四。进一步考察 1.按照MLE的过程分析 2.化简对数似然函数 3.参数估计的结论 4.符合直观想象五。从直观理解猜测GMM的参数估计 1.问题：随机变量无法直接(完全)观察到 2.从直观理解猜测GMM的参数估计 3.建立目标函数&nb
转载
2023-07-20 14:38:53
126阅读
注：本文是对《统计学习方法》EM算法的一个简单总结。1. 什么是EM算法？ 引用书上的话：概率模型有时既含有观测变量，又含有隐变量或者潜在变量。如果概率模型的变量都是观测变量，可以直接使用极大似然估计法或者贝叶斯的方法进行估计模型参数，但是当模型含有隐藏变量时，就不能简单使用这些方法了。EM算法就是含有隐变量的概率模型参数的极大似然估计法，或者极大似然后验概率估计法。2. E
转载
2024-03-12 11:28:07
319阅读
Python_机器学习_算法_第10章_10EM算法 文章目录Python_机器学习_算法_第10章_10EM算法EM算法学习目标10.1 初识EM算法学习目标小结10.2 EM算法介绍学习目标1 极大似然估计1.1 问题描述1.2 用数学知识解决现实问题1.3 最大似然函数估计值的求解步骤2 EM算法实例描述3 EM算法流程3 小结10.3 EM算法实例学习目标1 一个超级简单的案例2 加入隐变
转载
2023-09-25 17:14:37
84阅读
4-EM算法原理及利用EM求解GMM参数过程
1.极大似然估计 原理：假设在一个罐子中放着许多白球和黑球，并假定已经知道两种球的数目之比为1:3但是不知道那种颜色的球多。如果用放回抽样方法从罐中取5个球，观察结果为：黑、白、黑、黑、黑，估计取到黑球的概率为p; 假设p=1/4,则出现题目描述观察结果的概率
转载
2024-04-18 22:20:02
34阅读
一、概述EM算法是一种启发式的迭代方法，用于含有隐含变量Z的概率模型参数的最大似然/最大后验估计。由于含有隐变量不能直接使用MLE、MAP，因此用隐变量的期望来代替它，再通过最大化对数边际似然（marginal likelihood）来逐步逼近原函数的极大值，EM的优点是简单、稳定，但容易陷入局部最优解。EM算法是一种非监督的学习算法，它的输入数据事先不需要进行标注。二、相关概念1、极大似然估计举
转载
2023-08-21 14:25:33
102阅读
EM算法标签（空格分隔）： 机器学习EM算法和朴素贝叶斯一般机器学习算法都有一个前提，样本的所有属性都被观测到，即样本是完整的。但是在现实环境中，会有很多不完整数据。未观测变量学名“隐变量”，令X为以观测变量集，Z表示隐变量，Θ 表示模型参数，如果要对Θ做极大似然估计，即求MAX： LL(Θ|X,Z)=lnP(X,Z|Θ)Z为隐变量，上式无法直接求解.此时我们可以通过计算Z的期望，来最大化已观测数
高斯混合模型核心思想假设数据集是按照一定统计过程产生的，那么聚类的过程就是通过样本学习相应统计分布模型的参数混合模型简介混合模型将数据看作是从不同的概率分布得到的概率的观测值的集合。通常采用高斯分布，称之为高斯混合模型。一个数据的产生可以分成两个过程： 1. 选择分模型k， 概率为归一化后的αk
α
转载
2024-03-04 11:54:49
48阅读
1EM算法是一种迭代算法，主要用于计算后验分布的众数或极大似然估计，广泛地应用于缺损数据、截尾数据、成群数据、带有讨厌参数的数据等所谓不完全数据的统计推断问题。2EM算法是一种非监督的学习算法，它的输入数据事先不需要进行标注。相反，该算法从给定的样本集中，能计算出高斯混和参数的最大似然估计。也能得到每个样本对应的标注值，类似于kmeans聚类(输入样本数据，输出样本数据的标注)。3优点：EM算法简
转载
2023-07-13 13:48:35
72阅读
前言：前一篇文章大概说了EM算法的整个理解以及一些相关的公式神马的，那些数学公式啥的看完真的是忘完了，那就来用代码记忆记忆吧！接下来将会对python版本的EM算法进行一些分析。这个代码在这个大神的博客 里面有写得很清楚啦！不过我还是要当一下搬运工，来继续聊聊这个python实现。EM的python实现和解析引入问题（双硬币问题）假设有两枚硬币A、B，以相同的概率随机选择一个硬币，进行如下的抛硬币
转载
2023-09-03 10:40:58
81阅读
__GMM__(Gaussian Mixture Model, 高斯混合模型)是指该算法由多个高斯模型线性叠加混合而成。每个高斯模型称之为component。__GMM算法__描述的是数据的本身存在的一种分布，即样本特征属性的分布，和预测值Y无关。显然GMM算法是无监督的算法，常用于聚类应用中，component的个数就可以认为是类别的数量。回到昨天说的例子：随机选择1000名用户，测量用户的身高
转载
2023-12-01 19:18:12
77阅读
