看了一天em演算法，做了ppt。總結一下。
第一篇教程很基礎，可以看前部分，回憶一下概率論。
第二篇教程很理論，講的很清楚，挺好看。
由於我做的事gmm所以我又結合了這篇教程。
下面兩篇是實現：
如果自己用，或者想參考，可以看下。
最後總結em演算法的缺失資料，剛好對應了gmm聚類中的類，畢竟你不知道哪個向量屬於哪乙個高斯分量。所以他對於聚類演算法是很有用的，這是他的有效性。但是由於會陷入區域性最優，所以和初始化的時候的值關係很大，這是它的缺陷。
簡單總結如下：
EM演算法理論總結
主要解決具有隱變數的混合模型的引數估計 在高斯模型中，每個聚類都服從某個概率分布，我們要做的就是利用em演算法確定這些分布的引數，對高斯模型來說就是計算均值和方差，對多項式模型那就是概率 個人的理解就是用含有隱變數的含參表示式不斷擬合，最終能收斂並擬合出不含隱變數的含參表示式 假如有人告訴你，那乙個...
燈管實驗的em演算法 EM演算法
本文試圖用最簡單的例子 最淺顯的方式說明em expectation maximization 演算法的應用場景和使用方法，而略去公式的推導和收斂性的證明。maximum likelihood estimation maximum likelihood estimation mle 是要選擇乙個最佳...
EM演算法 存在雜訊的EM演算法
1 em演算法的 r語言實現 步驟1 資料集準備及其描述 步驟2 構建em 演算法模型，指定分3類 步驟3 構建em 演算法模型，指定先驗概率 2 存在雜訊的 em演算法r語言實現 步驟1 資料集準備 set.seed 0 設定隨機種子 nnoise 100 dim faithful 解釋 runi...