EM-algoritmen
EM-algoritmen (Expectation-Maximization) är en iterativ optimeringsprocedur för att finna maximum likelihood- eller maximum a posteriori-skattningar av parametrar i statistiska modeller med latenta variabler eller saknade data. Algoritmen, som introducerades av Dempster, Laird och Rubin i deras banbrytande artikel från 1977, alternerar mellan att beräkna den förväntade log-likelihooden för fullständiga data (E-steget) och att maximera den med avseende på parametrarna (M-steget), vilket garanterar en monotont icke-minskande likelihood vid varje iteration.
Läs hela metoden
Logga in med ett kostnadsfritt konto för att läsa avsnittet.
Method map
The neighbourhood of related methods — select a node to explore.
Källor
- 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 ↗
Så citerar du den här sidan
ScholarGate. (2026, June 2). Expectation-Maximization Algorithm. ScholarGate. https://scholargate.app/sv/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 EstimationStatistik↔ compare
- MICEStatistik↔ compare
Refereras av
Hittade du ett fel på sidan? Rapportera eller föreslå en rättelse →