الگوریتم EM
الگوریتم امید-بیشینهسازی (EM) یک رویه بهینهسازی تکراری برای یافتن برآوردهای درستنمایی بیشینه یا پسین بیشینه پارامترها در مدلهای آماری با متغیرهای پنهان یا دادههای گمشده است. این الگوریتم که توسط دمپستر، لیرد و رابین در مقاله برجسته سال ۱۹۷۷ آنها معرفی شد، بین محاسبه امید ریاضی درستنمایی دادههای کامل (گام E) و بیشینهسازی آن نسبت به پارامترها (گام M) متناوب عمل میکند و افزایش یکنواخت و غیرکاهشی درستنمایی را در هر تکرار تضمین میکند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- 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 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 2). Expectation-Maximization Algorithm. ScholarGate. https://scholargate.app/fa/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.
Compare side by side →ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →