Machine Learning-L15-EM算法全解析（下）
2 EM算法2.1 算法描述输入：观测变量数据X = ( x ( 1 ) , x ( 2 ) , . . . x ( m ) ，隐变量数据Z = ( z ( 1 ) , z ( 2 ) , . . . z ( m ) 输出：模型参数θ 观测数据X 又称不完全数据（incomplete-data），其概率分布是P ( X ∣ θ X 和Z连在一起称完全数据（complete data），其联合概率....
Machine Learning-L15-EM算法全解析（上）
期望极大化（EM，Expectation Maximization）是一种迭代算法，1977年由Dempster等人总结提出，用于含有隐变量（hidden variable）的概率模型参数的极大似然估计或极大后验概率估计。概率模型有时既含有观测变量（observable variable）,又含有隐变量或潜变量（latent variable）。如果概率模型的变量都是观测变量，那么给定数据后，可....
本页面内关键词为智能算法引擎基于机器学习所生成，如有任何问题，可在页面下方点击"联系我们"与我们沟通。
智能引擎技术
AI Online Serving，阿里巴巴集团搜推广算法与工程技术的大本营，大数据深度学习时代的创新主场。
+关注