怎么通俗易懂地解釋EM算法并且舉個(gè)例子？在統(tǒng)計(jì)計(jì)算中，最大期望算法是尋找概率模型中參數(shù)的最大似然估計(jì)或最大后驗(yàn)估計(jì)，其中概率模型依賴于不可觀測(cè)的隱變量。在機(jī)器學(xué)習(xí)和計(jì)算機(jī)視覺(jué)的數(shù)據(jù)聚類領(lǐng)域中，最大期望

怎么通俗易懂地解釋EM算法并且舉個(gè)例子？

在統(tǒng)計(jì)計(jì)算中，最大期望算法是尋找概率模型中參數(shù)的最大似然估計(jì)或最大后驗(yàn)估計(jì)，其中概率模型依賴于不可觀測(cè)的隱變量。在機(jī)器學(xué)習(xí)和計(jì)算機(jī)視覺(jué)的數(shù)據(jù)聚類領(lǐng)域中，最大期望是常用的。最大期望算法分為兩步：第一步是計(jì)算期望值（E），利用已有的隱變量估計(jì)值計(jì)算隱變量的最大似然估計(jì)；第二步是最大化（m），通過(guò)最大化得到的最大似然值計(jì)算參數(shù)值在步驟E中，在步驟m中找到的參數(shù)的估計(jì)值用于下一步驟E，并且該過(guò)程交替進(jìn)行。一般來(lái)說(shuō)，EM的算法流程如下：

em算法怎么做聚類？

舉一個(gè)k-means的例子：我們想把一些數(shù)據(jù)分成n類，但是我們不知道這些數(shù)據(jù)的分布，也不知道每個(gè)簇的分布。首先，隨機(jī)初始化多個(gè)聚類中心（EM參數(shù)初始化）。我們假設(shè)這些聚類中心是真實(shí)的聚類，然后根據(jù)距離確定每個(gè)樣本的屬性。（步驟e）3。我們根據(jù)每個(gè)樣本的屬性更新聚類中心。第e步是確定隱變量的值，第m步是使似然函數(shù)最大化，使隱變量最有可能向我們的數(shù)據(jù)分布。