八、EM算法收敛证明
EM算法的收敛性只要我们能够证明对数似然函数的值在迭代的过程中是增加的即可。
问题：
随机选择1000名用户，测量用户的身高；若样本中存在男性和女性，身高分别服从高斯分布N(μ1,σ1)和N(μ2,σ2)的分布，试估计参数:μ1,σ1,μ2,σ2；
解析：
1、如果明确的知道样本的情况(即男性和女性数据是分开的)，那么我们使用极大似然估计来估计这个参数值。
2、如果样本是混合而成的，不能明确的区分开，那么就没法直接使用极大似然估计来进行参数的估计。
可以使用EM算法来估计男女这两个参数值，即男女这两个性别就变成了隐含变量。
实际上，EM算法在某些层面上是在帮助我们做聚类的操作。即帮助我们找到隐含变量的取值。
继续阅读与本文标签相同的文章
上一篇 :
Python装饰器讲解及实现源码
下一篇 :
Zookeeper基本教程讲解
-
《Android进阶解密》| 每日读本书
2026-05-18栏目： 教程
-
watchbog再升级，企业黄金修补期不断缩小，或面临蠕虫和恶意攻击
2026-05-18栏目： 教程
-
阿里巴巴资深技术专家雷卷：值得开发者关注的 Java 8 后时代的语言特性| 9月9号栖夜读
2026-05-18栏目： 教程
-
3年Java开发6个点搞定高并发系统面试疑惑
2026-05-18栏目： 教程
-
请求支援！我被“非结构化数据包围了” | 开发者必读（060期）
2026-05-18栏目： 教程