理工酷

请注意，有时E-M用于描述一类算法以及特定算法。 这是一个可能有所帮助的类比（它是EM的一个实例，但你可以在此处掌握它）：假设你以前从未见过水果，我将一堆50个大致球形的水果倒在你的桌子上（从一英寸到一英尺的范围），并且，我只告诉你一件事：水果有5种。 但是你知道这些水果来自不同类型的树，并且树不仅会产生随机的东西，而且还会产生相似的东西。那么，你将如何组织水果来解决这个问题？实际上你必须解决两个问题： 1.如何将每个单独的水果“分配”给特定的树类型？我们称其为缺失值或简称Z。 2.每种树型果实的特征是什么？我们称这些为“未知参数”或简称为theta。 但是，这两个问题是相互关联的：我可以用一个来帮助解决另一个问题。以下是我的方法： 1.随机选择任何水果类型。换句话说，对Z进行猜测。我们将此称为Z（0）。最初，葡萄将与西瓜混合，但这没关系。 2.现在，我已经将水果随机分为不同的类型，现在我可以尝试回答第二个问题：假设每种水果类型来自同一棵树，它们的特征是什么？有平均大小，颜色等等，我可以算出它们，这是期望的步骤，然后可以得到theta（0）。现在，某些“水果类型”将趋向较小范围。 3.我已经计算出theta（0），就可以对每种类型的水果进行更好的分配，因为我们知道来自一棵树的事物是相似的。在这里，发生了一些神奇的事情：葡萄更有可能在以小而柔软的为特征的组里，而西瓜更可能在以大而坚硬的特征的组里，由此，我可以得出Z（1）。 4.让我们回到步骤2，使用Z（1）代替Z（0），然后重复。 在某些时候，我会注意到事情并没有太大变化：例如Z（11）与Z（12）相同，但是Z（12）现在可以很好地分配给不同的水果类型和不同的特性。