EM algoritms
Cerēšanas-maksimizācijas (EM) algoritms ir iteratīva optimizācijas procedūra, ko izmanto, lai atrastu lielākās verošanas vai maksimālās aposteriorās parametru novērtējumus statistikas modeļos ar latentām mainīgajām vai trūkstošiem datiem. Dempster, Laird un Rubin ieviesa šo algoritmu savā nozīmīgajā 1977. gada publikācijā. EM algoritms pārmaiņus aprēķina pilno datu log-verošanos (E-solis) un maksimizē to attiecībā pret parametriem (M-solis), garantējot monotoni nepieaugošu verošanos katrā iterācijā.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 2). Expectation-Maximization Algorithm. ScholarGate. https://scholargate.app/lv/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.
- Maksimālās vergojamošās korelācijas novērtēšanaStatistika↔ compare
- MICEStatistika↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →