知识卡片
完整数据似然含隐变量
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?
这张卡片已通过人工审查,不再接受失败反馈。
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
- 第7章 贝叶斯分类器 · 查看原书依据
式(7.34)
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})`