EM-algoritmen
Forventnings-maksimerings (EM) algoritmen er en iterativ optimeringsprocedure til at finde maximum likelihood- eller maximum a posteriori-estimater af parametre i statistiske modeller med latente variable eller manglende data. Introduceret af Dempster, Laird og Rubin i deres banebrydende artikel fra 1977, veksler EM mellem at beregne den forventede log-likelihood for komplette data (E-trin) og maksimere den med hensyn til parametrene (M-trin), hvilket garanterer en monoton ikke-faldende likelihood ved hver iteration.
Læs hele metoden
Log ind med en gratis konto for at læse dette afsnit.
Method map
The neighbourhood of related methods — select a node to explore.
Kilder
- Dempster, A. P., Laird, N. M., & Rubin, D. B. (1977). Maximum likelihood from incomplete data via the EM algorithm. Journal of the Royal Statistical Society: Series B, 39(1), 1–38. DOI: 10.1111/j.2517-6161.1977.tb01600.x ↗
Sådan citerer du denne side
ScholarGate. (2026, June 2). Expectation-Maximization Algorithm. ScholarGate. https://scholargate.app/da/statistics/em-algorithm
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Maksimum-Likelihood-EstimationStatistik↔ compare
- MICEStatistik↔ compare
Refereret af
Har du fundet en fejl på denne side? Indberet den eller foreslå en rettelse →