文件名称：EM:期望最大化算法、混合模型和隐马尔可夫模型入门
文件大小：2.5MB
文件格式：ZIP
更新时间：2024-07-01 09:26:00
R
EM 算法的乐趣 这是一些关于期望最大化算法的模拟和玩具示例，以及它在高斯混合模型和隐马尔可夫模型中的应用。 期望最大化 (EM) 期望最大化 (EM) 是一种简洁的算法，用于学习具有隐藏变量的概率模型，包括 HMM 和 GMM。 学习这些模型的核心是先有鸡还是先有蛋的问题：如果我们知道潜在变量，我们就可以估计模型参数，反之亦然。 EM 通过在这两个步骤之间改变直到收敛来解决这个问题。 高斯混合模型 (GMM) 混合模型是一种通过隐藏变量来解释数据异质性的方法。 经典示例是人口中身高的双峰分布，该分布由两种法线的混合建模（一种用于男性，一种用于女性）。 从混合模型中采样分两步完成： 对隐藏变量进行采样（即抛硬币看性别） 从其排放分布中采样（即男性的正态或女性的正态） 样本是独立同分布的。 这是 3 个二元高斯混合的采样情况： 隐马尔可夫模型 (HMM) 隐马尔可夫模型可以被认
【文件预览】：
EM-master
----gifs.R(2KB)
----genMM.R(1KB)
----sample-HMM.gif(1.46MB)
----fitMM.R(1009B)
----genHMM.R(1KB)
----sim.R(1KB)
----README.md(3KB)
----sample-GMM.gif(1.65MB)
----dGMM.R(251B)