2013年3月26日
算法总结
摘要： E-M算法：最大期望算法，分为E-step，M-step。目标是最大化目标函数，通常是求导，导数为0。如果不可求导或是不好计算，则寻找目标函数的下界。E-step估计下界（使得下界尽可能等于原目标函数），M-step估计使得下界最大的参数。每做一次EM，下界单调递增，不断逼近目标函数，直至收敛。GMM：高斯混合模型，即假设样本数据可由多个高斯分布混合生成。可用作聚类，即每个高斯分布为一类。有数据估计分布，称作密度估计。想法是找到一组参数，使得它们确定的概率分布生成样本点的概率最大。一个样本点由某个分布生成的概率可以计算。固定分布，可知该分布生成的数据点。初始化一个分布，即任意给定其均值，方差， 阅读全文
posted @ 2013-03-26 16:39 Scott_Ni 阅读(424) 评论(0) 推荐(0)