2019-02-19想起了一个故事，摘叶子
要找到最大的叶子
1.先心里大概有一个叶子大小的概念（初始化模型）
2.在三分之一的的路程上，观察叶子大小，并修改对大小的评估（观察预期，并修改参数）
3.在三分之二的路程上，验证自己对叶子大小模型的的评估（重复1,2过程）
4.在最后的路程上，选择最大的叶子（重复1.2，直到参数不再改变）
相同点
1.EM，KMEANS，都是随机生成预期值，然后经过反复调整，获得最佳结果
2.聚类个数清晰
不同点
1.EM是计算概率，KMeans是计算距离。
计算概率，概率只要不为0，都有可能即样本是每一个类别都有可能
计算距离，只有近的的票高，才有可能，即样本只能属于一个类别展开编辑回复: 例子举的不错，相同和不同之处理解也很到位，大家都可以看看。
23
2019-03-28请问：
通过猜测的结果{A, A, B, B, A}来完善初始化的参数θA 和θB。
然后一直重复第二步和第三步，直到参数不再发生变化。
怎么完善初始化参数？，急需解答。展开 2 7
2019-02-24“”通过猜测的结果{A, A, B, B, A}来完善初始化的θA 和θB“” 这个步骤是怎样的？
A 5
A 7
B 8
B 9
A 4
θA=(5+7+4)/(10+10+10)
θB=(8+9)/(10+10)展开 7
2019-02-15em聚类和K均值的区别就是一个软一个硬，软的输出概率，硬的要给出答案。我理解的em聚类的过程是一个翻来覆去决策的过程，这种聚类方式是先确定一个初始化的参数，再反过来推算结果，看和自己期望的差距，又在翻回去调整。好就好在，你想要一个什么样的结果他都能慢慢给你调整出来编辑回复: 一软一硬这个说的很恰当！一个输出概率，一个输出明确的答案。
7
2019-02-28文中抛硬币的例子，应该还要说明“5组实验，每组实验投掷10次，每组中只能抛同一枚硬币”。作者回复: 对的
6
2019-02-18有同学说:核心是初始参数啊。如果一开始就错那就完了。这完全是错的，只不过增加了更新次数而已。编辑回复: EM有自我更新的机制，就像K-Means一样，所以不用担心初始化参数，即使初始化参数不正确也会逐渐迭代出来结果。区别是在于迭代的次数，也就是运行的时间。这就好比把菜分到两个盘子中，一开始A盘很少，B盘非常多。这时候初始化参数并不理想，但是没有关系，EM机制通过参数估计，最终通过迭代会让两个盘子的分量一样多。只是迭代次数会略多一些。
5
2019-04-05em算法是假定一个样本分布概率，然后根据最大似然估计进行聚类，然后根据聚类结果修正参数，直到结果不在变化，而kmeans算法则是根据随机确定初始点，根据欧式距离等算法来计算和初始点的距离，完成初始聚类，然后迭代直到聚类结果不发生变化。kmeans是计算硬聚类，em是软聚类。 3
2019-02-15EM 就好像炒菜，做汤，盐多了放水，味淡了再放盐，直到合适为止。然后，就能得出放盐和水的比例（参数）作者回复: 对的 很形象
3
2019-02-15EM，聚类的个数是已知的，首先，预设初始化的参数，然后获得对应的结果，再通过结果计算参数，不断循环以上两步，直到收敛。属于软分类，每个样本有一定概率和一个聚类相关。
K-Means，聚类的个数也是已知的，首先选定一个中心点，然后计算距离，获得新的中心点，重复，直到结果收敛。属于硬分类，每个样本都只有一个分类。作者回复: 对的
3- 2019-04-05说的通俗一点啊，最大似然估计，就是利用已知的样本结果，反推最有可能（最大概率）导致这样结果的参数值。
例如：一个麻袋里有白球与黑球，但是我不知道它们之间的比例，那我就有放回的抽取10次，结果我发现我抽到了8次黑球2次白球，我要求最有可能的黑白球之间的比例时，就采取最大似然估计法： 我假设我抽到黑球的概率为p,那得出8次黑球2次白球这个结果的概率为：
P(黑=8)=p^8*（1-p）^2,现在我想要得出p是多少啊，很简单，使得P(黑=8)最大的p就是我要求的结果，接下来求导的的过程就是求极值的过程啦。
可能你会有疑问，为什么要ln一下呢，这是因为ln把乘法变成加法了，且不会改变极值的位置（单调性保持一致嘛）这样求导会方便很多~ 2 - 2019-02-28to third：
吴军老师说过，这种找最大叶子的问题，最优解最大概率会在37%的时候，而不是最后。 1 
2019-02-19“”通过猜测的结果{A, A, B, B, A}来完善初始化的θA 和θB“” 这个步骤是怎样的？跪求解答 1
2019-10-22想起了一个故事，摘叶子
要找到最大的叶子
1.先心里大概有一个叶子大小的概念（初始化模型）
2.在三分之一的的路程上，观察叶子大小，并修改对大小的评估（观察预期，并修改参数）
3.在三分之二的路程上，验证自己对叶子大小模型的的评估（重复1,2过程）
4.在最后的路程上，选择最大的叶子（重复1.2，直到参数不再改变）
相同点
1.EM，KMEANS，都是随机生成预期值，然后经过反复调整，获得最佳结果
2.聚类个数清晰
不同点
1.EM是计算概率，KMeans是计算距离。
计算概率，概率只要不为0，都有可能即样本是每一个类别都有可能
计算距离，只有近的的票高，才有可能，即样本只能属于一个类别
“”通过猜测的结果{A, A, B, B, A}来完善初始化的θA 和θB“” 这个步骤是怎样的？
A 5
A 7
B 8
B 9
A 4
θA=(5+7+4)/(10+10+10)
θB=(8+9)/(10+10)
以留言方式暂时记录一下展开作者回复: 很好的总结整理
2019-08-13EM聚类算法，通过假定参数值，来推断未知隐含变量。再不断重复这个过程，至到隐含变量恒定不变时，得出假定参数的值。也就是实际的聚类分类的结果。
K-Means：非黑即白
EM：黑白通吃作者回复: 对的 比喻的不错
2019-05-19TO FORWARD―MOUNT
【通过猜测的结果{A, A, B, B, A}来完善初始化的参数θA 和θB。
然后一直重复第二步和第三步，直到参数不再发生变化。】
这个步骤就是通过第一次随机，我们一直知道了顺序了可能是{A A B B A}，然后就可以算出A和B投正面的概率，再通过算出来的这个新概率（之前是随即指定的），再去模拟一遍五组硬币，可能这次模拟出来的就不是{A A B B A}了，重复这个步骤直到模拟出来的五枚硬币不再改变。此时的概率就是A和B 投正面的概率。展开
2019-04-26原理的话就拿老师的这个抛掷硬币的例子来看：
1、初始的时候，我们并不知道1~5次试验抛掷的分别是A硬币还是B硬币，我们就先假设一下A、B正面向上的概率。
2、通过我们假设的概率，我们根据1~5次实验中每次正面向上的频率，使用我们1中假设的A、B正面的概率来分别计算期望值。两个期望值比较哪个大，我们就觉得这次试验抛掷的是哪个硬币。
3、我们通过2，就第一次将本来没有分类的试验（该次实验抛掷的是哪一个硬币）给分类了，但是这个结果是我们初始化一个随机的正面向上的概率来算出来的，不准确。
4、我们把1、2、3的出来的初始的分类结果当做已知，通过全体数据来算一下此时A、B正面向上的概率（全体数据的频率），这样，我们就得到了类似2步骤中的正面向上的概率，这里就优化了A、B这面向上的概率（完善参数）。
5、就这样一直重复2、3的过程，直到稳定为止展开作者回复: Good Sharing
- 2019-04-26EM的原理，其实就拿这个老师给的硬币的例子来看。初始的时候，我们只有一堆数据，并不知道试验1~5分别抛掷的是哪一个硬币。这样，我们先随机一下A、B两枚硬币的正面出现的概率。
作者回复: 很好的总结
2019-02-231、 EM 算法的原理？
当我们需要从样本观察数据中，找出样本的模型参数。 但是问题含有未观察到的隐含数据，这时采用EM算法。
在EM算法的Expectation步，先猜想隐含数据，接着基于观察数据和猜测的隐含数据一起来极大化对数似然，求解我们的模型参数。（EM算法的Maximization步)。
我们基于当前得到的模型参数，继续猜测隐含数据（EM算法的E步），然后继续极大化对数似然，求解我们的模型参数（EM算法的M步)。以此类推，不断的迭代下去，直到模型分布参数基本无变化，算法收敛，找到合适的模型参数。
2、EM 聚类和 K-Means 聚类的相同和不同之处又有哪些？
k-means 计算过程：
1）随机选择k个类簇的中心
2）计算每一个样本点到所有类簇中心的距离，选择最小距离作为该样本的类簇
3）重新计算所有类簇的中心坐标，直到达到某种停止条件（迭代次数/簇中心收敛/最小平方误差）展开
2019-02-20今天的看完了。我理解的EM算法，是先估计一个大概率的可能参数，然后再根据数据不断进行调整，直到找到最终的确认参数。
它主要有高斯模型和隐马尔科夫模型，前者在自然语言处理领域有很多应用。
它和K-means都属于聚类算法，但是，EM属于软聚类，同一样本可能属于多个类别；而后者则属于硬聚类，一个样本只能属于一个类别。所以前者能够发现一些隐藏的数据。作者回复: 对的 很好的总结
2019-02-19原理哪里都有，还是需要结合实战！
个人觉得，如果从数学定义角度出发，会更容易对算法原理进行理解。
EM算法是求解隐含参数的算法，依据算法推导过程，可以视为求局部最优解的方法，可以归属为求解凸函数的问题。
https://www.cnblogs.com/bigmoyan/p/4550375.html