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"属于"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! :)