EM算法适用于：当拥有缺失数据的时候，可以迭代的做参数估计
即EM算法是 含有隐变量或潜在变量的概率模型参数的极大似然估计法。
分为两步：E步，用当前的参数计算一个数据点标签的分布；
M步，用当前标签分布的猜测去升级参数；
应用场景1：看一组数据是由多少个高斯混合模型组成
下面是李航博士的《统计学习方法》书中所推导的EM算法过程。
推导过程：
相关文章：
相似解决方案
热门标签
EM算法适用于：当拥有缺失数据的时候，可以迭代的做参数估计
即EM算法是 含有隐变量或潜在变量的概率模型参数的极大似然估计法。
分为两步：E步，用当前的参数计算一个数据点标签的分布；
M步，用当前标签分布的猜测去升级参数；
应用场景1：看一组数据是由多少个高斯混合模型组成
下面是李航博士的《统计学习方法》书中所推导的EM算法过程。
推导过程：
相关文章：