机器学习算法实现（九）：EM

EM算法R语言实践

第一步：加载实现EM算法的R包

library(mclust)

第二步：构建EM算法模型

model.EM<-Mclust(subset(iris, select= -Species))

第三步：生成混淆矩阵

table(model.EM$classification,iris$Species)

思考：如何解读这个混淆矩阵里面的结果？？

EM算法原理

最大期望算法（Expectation-maximization algorithm，又译期望最大化算法）在统计中被用于寻找，依赖于不可观察的隐性变量的概率模型中，参数的最大似然估计。

2在统计计算中，最大期望（EM）算法是在概率模型中寻找参数最大似然估计或者最大后验估计的算法，其中概率模型依赖于无法观测的隐藏变量（LatentVariable）。最大期望经常用在机器学习和计算机视觉的数据聚类（DataClustering）领域。最大期望算法经过两个步骤交替进行计算，第一步是计算期望（E），利用对隐藏变量的现有估计值，计算其最大似然估计值；第二步是最大化（M），最大化在E步上求得的最大似然值来计算参数的值。M步上找到的参数估计值被用于下一个E步计算中，这个过程不断交替进行。

参考文献

本文转载自    http://www.360doc.com/userhome.aspx?userid=26290960&cid=10