一、基本定义
EM算法（又称期望极大算法）是一种迭代算法，用于含有隐变量的概率模型的极大似然估计或极大后验概率估计。EM算法与其说是一种算法，不如说是一种解决问题的思路。
EM算法分为两步：
①E步（计算期望）：利用对隐藏变量的现有估计值，计算其最大似然估计值；
②M步（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。
二、EM算法的适用情况
概率模型有时含有隐变量或潜在变量，此时无法用极大似然估计法或贝叶斯估计法估计参数，就得用EM算法了。
·Example1：男生组成一堆，有100人，女生组成一堆，也有100人，现在要求男女生身高的正态分布参数，如果是按照性别分堆的话，很容易就能用极大似然估计出该参数，可是如果男女生混为一堆了，就不知道每个身高是男生的还是女生的，这时就需要EM算法来解决。
·Example2：三硬币模型
※3、EM算法的基本思想
假设我们想估计的参数为A，B。 开始的时候A和B都未知， 但是如果我们知道了A，就能得到B。 我们得到了B就可以得到A。 EM会给A一个初始值，然后得到B，再由B得到A， 再得到B，一直迭代到收敛为止。
三、EM算法的基本流程
PS：EM算法与初值的选择有关，选择不同的初值可能得到不同的参数估计值，并且EM算法对初值是敏感的。
四、Jensen不等式
凸函数定义：设f是定义域为实数的函数，如果对所有的实数x，f(x)的二阶导数都大于0，那么f就是凸函数。
Jensen不等式定义：若f是凸函数，X是随机变量，则E[f(X)]≥f(E[X])，当且仅当X是常量时，该式取等号。其中，E(x)表示X的数学期望（也就是a和b的中值）。Jensen不等式应用于凹函数时，不等号方向反向，当且仅当X是常量时，该不等式取等号。
PS：这里的凸函数跟之前理解的凸函数有点不一样，只是定义不一样罢了。
转载：https://blog.csdn.net/m0_51495585/article/details/116405527