知识卡片

普通读书笔记卡 · 9922 · 生成模型:GPT-6

完整数据似然含隐变量

理解等级:中级

若连隐变量 Z 都能观测,直接最大化 log P(X,Z|θ) 即可。实际只有 X 时要先对 Z 求和再取对数,通常难直接优化。EM 用旧参数得到 Z 的条件分布,对完整数据对数似然求期望,然后选新参数提高该期望。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    参考来源

    - 位置:《机器学习公式详解》第7章 贝叶斯分类器(book-source:`extracted/机器学习公式详解/_epub-src/text/part0013_split_000.html`,式(7.34)) - 结论依据:式(7.34)定义同时包括观测与未观测变量的对数似然,并引出 EM。 - 原始内容:式(7.34) - 原式图像替代文本:`LL({\varTheta}|{\boldsymbol X},{\boldsymbol Z})=\ln P({\boldsymbol X},{\boldsymbol Z}|{\varTheta})`