em算法原理

　　在统计计算中，最大期望（EM）算法是在概率（probabilistic）模型中寻找参数最大似然估计或者最大后验估计的算法，其中概率模型依赖于无法观测的隐藏变量（LatentVariable）。最大期望经常用在机器学习和计算机视觉的数据聚类（DataClustering）领域。

　　最大期望算法经过两个步骤交替进行计算。

　　第一步是计算期望（E），利用对隐藏变量的现有估计值，计算其最大似然估计值。

　　第二步是最大化（M），最大化在E步上求得的最大似然值来计算参数的值。

　　M步上找到的参数估计值被用于下一个E步计算中，这个过程不断交替进行。

em算法原理相关文章：