Εγγραφή τεκμηρίου μεθόδου

EM Algorithm

The Expectation-Maximization (EM) algorithm is an iterative optimization procedure for finding maximum likelihood or maximum a posteriori estimates of parameters in statistical models with latent variables or missing data. Introduced by Dempster, Laird, and Rubin in their landmark 1977 paper, EM alternates between computing the expected complete-data log-likelihood (E-step) and maximizing it with respect to the parameters (M-step), guaranteeing monotone non-decreasing likelihood at each iteration.

Sources recorded, not reviewed

Εγγραφή πηγής

Οι παραπομπές αντιγράφονται αυτούσιες από την εγγραφή πηγής της μεθόδου. Δεν υπονοείται επαλήθευση σε επίπεδο ισχυρισμού από αυτές.

Expectation-Maximization Algorithm

Εγγραφή ταξινομικής μεθόδου · ml-model / statistics

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

Άνοιγμα πλήρους μεθόδου

Επιμελημένοι ισχυρισμοί

Οι ισχυρισμοί έχουν αποθηκευτεί στο καθολικό τεκμηρίων, καθένας με τη δική του αξιολόγηση.

Δεν υπάρχουν ακόμη επιμελημένοι ισχυρισμοί

Αυτή η προβολή δεν επινοεί αξιολόγηση ισχυρισμού όταν το καθολικό δεν έχει κανέναν.

Σχετικές μέθοδοι

Δημιουργούνται από τον γράφο μεθόδων και εμφανίζονται ως προτεινόμενες από μηχανή σχέσεις — δεν υπονοείται ισχυρισμός τεκμηρίου.

Used in the same domainMaximum Likelihood Estimationmachine-suggested · Relational suggestion, not evidence.Used in the same domainMICEmachine-suggested · Relational suggestion, not evidence.