Algorytm EM
Algorytm EM (Expectation-Maximization) jest iteracyjną procedurą optymalizacyjną służącą do znajdowania estymatorów największej wiarygodności lub estymatorów a posteriori parametrów w modelach statystycznych z ukrytymi zmiennymi lub brakującymi danymi. Wprowadzony przez Dempstera, Lairda i Rubina w ich przełomowej pracy z 1977 roku, EM przeplata obliczanie oczekiwanej log-wiarygodności kompletnych danych (krok E) z maksymalizacją tejże względem parametrów (krok M), gwarantując monotoniczny, niemalejący wzrost wiarygodności w każdej iteracji.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 2). Expectation-Maximization Algorithm. ScholarGate. https://scholargate.app/pl/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.
- Estymacja największej wiarygodnościStatystyka↔ compare
- MICEStatystyka↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →