EM-algoritmus
Az Expectation-Maximization (EM) algoritmus egy iteratív optimalizálási eljárás a látens változókat vagy hiányzó adatokat tartalmazó statisztikai modellek paramétereinek maximális valószínűségi vagy maximális a posteriori becsléseinek megtalálására. Dempster, Laird és Rubin 1977-es, mérföldkőnek számító tanulmányukban mutatták be. Az EM algoritmus váltakozva számítja ki a teljes adatok log-valószínűségének várható értékét (E-lépés) és maximalizálja azt a paraméterekre vonatkozóan (M-lépés), garantálva a monoton nem csökkenő valószínűséget minden iterációban.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- 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 ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 2). Expectation-Maximization Algorithm. ScholarGate. https://scholargate.app/hu/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.
- Maximum Likelihood EstimationStatisztika↔ compare
- MICEStatisztika↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →