首页 > 编程语言 >EM(Expectation-Maximum)算法

EM(Expectation-Maximum)算法

时间:2023-12-25 10:04:32浏览次数:35  
标签:EM 似然 硬币 抛出 Expectation Maximum 算法 参数


EM算法

简介

EM算法的核心分为两步

  1. E步(Expection-Step)
  2. M步(Maximization-Step)

因为在最大化过程中存在两个参量EM(Expectation-Maximum)算法_机器学习,其中若知道EM(Expectation-Maximum)算法_概率论_02,则知道EM(Expectation-Maximum)算法_极大似然估计_03;若知道EM(Expectation-Maximum)算法_极大似然估计_03,则知道EM(Expectation-Maximum)算法_概率论_02。且两个量未存在明显的关系,但又互相依存可以采用EM算法

其中主要思想为:

  1. 首先随机初始化参数EM(Expectation-Maximum)算法_概率论_06
  2. 然后求的在参数EM(Expectation-Maximum)算法_概率论_06下按照极大似然估计求得参数EM(Expectation-Maximum)算法_算法_08
  3. 然后根据参数EM(Expectation-Maximum)算法_算法_08按照极大似然估计求得参数EM(Expectation-Maximum)算法_概率论_06
  4. 循环至收敛

算法示例

如下图所示存在A,B两种硬币,其中抛出正反面的概率未知,其中H表示正面,F表示反面

EM(Expectation-Maximum)算法_初始化_11

根据统计可得

EM(Expectation-Maximum)算法_机器学习_12

可得
EM(Expectation-Maximum)算法_算法_13
若更改条件,不知道此时抛出是哪一枚硬币,只知道抛出的结果,即

EM(Expectation-Maximum)算法_概率论_14

首先初始化,设
EM(Expectation-Maximum)算法_算法_15
若当抛出的第一枚硬币为A时

此时的出现该情况的概率为EM(Expectation-Maximum)算法_初始化_16

若当抛出的第一枚硬币为B时

此时的出现该情况的概率为EM(Expectation-Maximum)算法_概率论_17

其中
EM(Expectation-Maximum)算法_算法_18
同理可得
EM(Expectation-Maximum)算法_机器学习_19
计算其数学期望
EM(Expectation-Maximum)算法_概率论_20
并计算其总共的期望
EM(Expectation-Maximum)算法_概率论_21

可得
EM(Expectation-Maximum)算法_初始化_22
由此循环直至收敛

EM(Expectation-Maximum)算法_概率论_23

得到最终
EM(Expectation-Maximum)算法_概率论_24


标签:EM,似然,硬币,抛出,Expectation,Maximum,算法,参数
From: https://blog.51cto.com/u_14189203/8963546

相关文章

  • Kernel Memory 入门系列:生成并获取文档摘要
    KernelMemory入门系列:生成并获取文档摘要前面在RAG和文档预处理的流程中,我们得到一个解决方案,可以让用户直接获取最终的问题答案。但是实际的业务场景中,仍然存在一些基础的场景,不需要我们获取文档的所有详情的,而只是了解的文档的大概信息,得到文章整体的摘要或者总结,此时仍然可......
  • 随机点名demo+文字特效
    上代码:一、HTML部分<div><h2>随机点名</h2><spanid="name"></span></div><buttonid="button-text">点一下不要钱</button>二、CSS部分*{margin:0;padd......
  • Remove TraceParent header from HttpClient requests
    ASP.NETCorecreatesanActivitythatrepresentstherequestbydefault.ThisiswhattellsHttpClienttosendanoutgoingrequestidheader.Youcandisableitinacoupleofways:Bysettingthecurrentactivitytonullbeforemakingtherequest(Activi......
  • 【阅读笔记】图像增强-《Efficientcontrast enhancement using adaptive gamma correc
    2013年发表在TIP上的对比度增强算法AGCWD(Efficientcontrastenhancementusingadaptivegammacorrectionwithweightingdistribution)提出了一种自动映射技术,通过亮度像素的伽马校正和概率分布来提高调暗图像的亮度。为了增强视频,所提出的图像增强方法使用关于每帧之间差异的时......
  • Redis 分片集群搭建并使用 RedisTemplate 实现读写分离
    上篇博客介绍了Redis哨兵集群的搭建,虽然已经解决了master在宕机后,与slave之间会自动切换的问题,但是其承载的数据量天花板仍然是单机的最大内存容量,无法承载更多的数据量。本篇博客介绍Redis分片集群的搭建,集群内部拥有多个master节点,每个master存放的数据不一样,从而......
  • Exception in thread "main" java.lang.OutOfMemoryError: Java heap space
     001、报错记录合并gvcf使用脚本如下:gatk CombineGVCFs-RGCF_001704415.2_ARS1.2_genomic.fna--variantgvcf.list-Otest.g.vcf.gz 报错如下: 002、解决方法,设置内存上限可以解决上述报错:gatk--java-options"-Xmx480g-Xms480g-XX:+UseSerialGC"CombineGVC......
  • RIPEMD加密算法:原理、应用与安全性
    一、引言在信息时代,数据安全愈发受到重视,加密算法作为保障信息安全的关键技术,其性能和安全性备受关注。RIPEMD(RACEIntegrityPrimitivesEvaluationMessageDigest)加密算法作为一种著名的哈希函数,广泛应用于网络安全、数据完整性等领域。本文将从各个方面介绍RIPEMD加密算......
  • 基于Feigh发送Http请求,替代RestTemplate
    下载依赖<dependency><groupId>org.springframework.cloud</groupId><artifactId>spring-cloud-starter-openfeign</artifactId></dependency>需要在启动类上开启配置,Feigh默认自带负载均衡配置@SpringBootApplication@EnableFeignClientspublic......
  • 幽灵和熔断+LR/SC的实现和使用+Consistent和Coherent+memory 属性 Device-nGnRnE+IP-X
    幽灵和熔断幽灵和熔断是基于瞬态指令流的缓存侧信道攻击。在瞬态指令流中被执行的内存加载指令如果将一个数据带入了缓存,则即使流水线回滚期间处理器丢弃了该指令返回的访存结果,已经被修改的缓存状态却无法撤销。由此,攻击者可以通过监测缓存的变化来推断受害者程序的访存地址,如果......
  • 强化学习算法真的适合于你的应用吗 —— 强化学习研究方向(研究领域)现有的不足(短板、
    外文原文:WhyYou(Probably)Shouldn’tUseReinforcementLearning地址:https://towardsdatascience.com/why-you-shouldnt-use-reinforcement-learning-163bae193da8中文翻译版本(ChatGPT3.5翻译:)有关这项技术存在很大的炒作,而且理由充分,因为这可能是实现通用人工智能的......