关于EM算法。 如果我理解正确，则在E步骤中获得可能性（例如，在Baum-Welch算法中，可以从前向 - 后向过程获得可能性）。 但是，每次EM迭代的最后一步是M步。这意味着在步骤k中计算的可能性，实际上＆＃34;属于＆＃34;到步骤（k-1）的参数。是真的如此，还是我错过了什么？
答案 0 :(得分：0)
EM算法的目标是，在给定模型的情况下，找到最大化数据可能性的模型参数。
重点是参数，而不是可能性值。
根据我的理解，E步骤用于计算对数似然函数的期望值。实际上，这主要包括使用当前参数值计算M步所需的值。在M步骤中，您将获得最大化可能性（或其下限）的参数。随后可以使用新参数计算似然值。
您是否正在使用HMM？如果是，我可以指定每一步计算的数量。
希望这可以提供帮助！ ：）