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
（latentvariable
）。最大期望經常用在
機器學習
和計算機視覺
的資料聚類
（dataclustering
）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。 em
是乙個在已知部分相關變數的情況下，估計未知變數的迭代技術。em
的演算法流程如下：
初始化分布引數
重複直到收斂：
e步驟：用分布引數計算每個例項的聚類概率。（即每個例項屬於不同聚類的概率）
m步驟：重新估計分布引數
(如五個引數：二個均值，二個方差，乙個類的先驗概率)
，以使得資料的似然性最大
期望最大 EM 演算法
在概率模型中尋找引數最大似然估計的演算法。em演算法 是一種迭代演算法，用於含有隱變數的引數模型的最大似然估計。應用於資料聚類領域。最大似然估計 1 寫出似然函式 2 對似然函式取對數，並整理 3 求導數 4 解似然方程 期望最大 演算法經過兩個步驟交替進行計算，第一步是計算期望 e 也就是將隱藏變...
EM 期望最大化演算法
em演算法編輯 最大期望演算法 expectation maximization algorithm，又譯期望最大化演算法 是一種迭代演算法，用於含有隱變數 hidden variable 的概率引數模型的最大似然估計或極大後驗概率估計。中文名 em演算法 外文名 expectation maxim...
EM 期望最大化演算法
馬爾可夫分支 1.馬爾可夫網 判別式，無項有環圖 1 gibbs 玻爾茲曼機 2 crf條件隨機場 3 馬爾可夫隨機場 2.1 動態貝葉斯 生成式，有向無環圖 1 卡爾曼濾波 2 hmm 隱馬爾可夫 2.2 靜態貝葉斯 先驗估計 data label 後驗估計 data label 似然估計 lab...