Expectation Maximization，EM算法是带有隐变量的概率模型参数的极大似然估计（MLE为给定参数，观测数据出现/生成的可能性）。
如下为《统计机器学习》中对应EM算法的笔记。
- 观测数据Y和隐变量X合称，完全数据
- 观测数据Y称，不完全数据
E步：（期望步）求Q函数（上一轮参数固定，模型参数为变量的函数），即期望（原始似然函数的下界）
M步：（极大步）求Q函数的局部极值
通过迭代法逐步逼近原始似然函数的解
EM算法本质是，有隐变量的似然函数的MLE。通过计算Q函数，得到似然函数的下界，然后最大化下界这一迭代过程，来优化参数。
Q函数本身是一个条件期望。 EM算法就在E步求期望，M步最大化它。
内容来源于网络如有侵权请私信删除
文章来源: 博客园
原文链接: https://www.cnblogs.com/justLittleStar/p/17322000.html
- 还没有人评论，欢迎说说您的想法！
客服
