EM聚類

EM算法也稱期望最大化（Expectation-Maximum,簡稱EM）算法它是一個基礎算法，是很多機器學習領域算法的基礎，比如隱式馬爾科夫算法（HMM）， LDA主題模型的變分推斷等等。

EM算法解決這個的思路是使用啟發式的迭代方法，既然我們無法直接求出模型分布參數，那么我們可以先猜想隱含數據（EM算法的E步），接著基于觀察數據和猜測的隱含數據一起來極大化對數似然，求解我們的模型參數（EM算法的M步)。由于我們之前的隱藏數據是猜測的，所以此時得到的模型參數一般還不是我們想要的結果。不過沒關系，我們基于當前得到的模型參數，繼續猜測隱含數據（EM算法的E步），然后繼續極大化對數似然，求解我們的模型參數（EM算法的M步)。以此類推，不斷的迭代下去，直到模型分布參數基本無變化，算法收斂，找到合適的模型參數。

最大似然估計

最大似然估計是什么呢？它指的就是一件事情已經發生了，然后反推更有可能是什么因素造成的。用一男一女比較身高為例，假設有一個人比另一個人高，反推他可能是男性(因為相同年齡下男性的平均身高高于女性)。最大似然估計是一種通過已知結果，估計參數的方法。

EM 算法是一種求解最大似然估計的方法，通過觀測樣本，來找出樣本的模型參數。

舉個例子來描述EM的工作原理

舉了例子：我們先看一個簡單的場景：假設你炒了一份菜，如何平均分到兩個盤子中？

正常來說我們不會使用稱來稱重&#x

總結

以上是生活随笔為你收集整理的EM聚类算法的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。