内容简介：上面式子算的是z的后验概率，分子是样本xi属于zj的概率，分母是样本xi属于每个zi的概率之和，因为有了参数确定的条件所以分母是个边缘分布而不是等于1。M-step就是根据之前最大似然的结果把z的概率代入计算即可。这个过程实际上是固定z，然后最大化似然函数L(θ)求解对应的θ。EM算法能收敛，但可能会收敛到局部最大值，如果函数是凸函数才能保证收敛到全局最大值。
上面式子算的是z的后验概率，分子是样本xi属于zj的概率，分母是样本xi属于每个zi的概率之和，因为有了参数确定的条件所以分母是个边缘分布而不是等于1。
M-step就是根据之前最大似然的结果把z的概率代入计算即可。这个过程实际上是固定z，然后最大化似然函数L(θ)求解对应的θ。
EM算法能收敛，但可能会收敛到局部最大值，如果函数是凸函数才能保证收敛到全局最大值。
how
EM的推导过程有点长，这里只记录关键过程
这个过程用了几个技巧
(1)分子分母同时增加了Q(z)项
(2)不等号这里用到了Jensen不等式
(3)第一步和最后一步都用到了期望的定义
以上就是本文的全部内容，希望本文的内容对大家的学习或者工作能带来一定的帮助，也希望大家多多支持 码农网
猜你喜欢:
- 用Uber的方式管理机器学习模型
- 机器学习笔记（十三）：重中之重的性能度量方式你要懂
- 机器学习笔记(十三)——重中之重的性能度量方式你要懂
- why-what-how方式的机器学习总结之三
- why-what-how方式的机器学习总结之四
- 为什么说自动化特征工程将改变机器学习的方式
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
