机器学习深版08：EM算法
文章目录
1. 铺垫
Jensen不等式：对于凸函数，有以下结论：上图是连续的下图是离散的：
2. 问题引入与欧拉解释
- 问题提出：K-means算法可以将数据分成簇，但是却给不出它的后验概率。
高斯混合模型GMM，混合高斯分布不是高斯分布。
结论是正确的，解释过程略有问题。
先验假设对最后的结果会有影响，有时影响是决定性的。
GMM实际上是一个多极值的函数，如下图理解：
这个不能是梯度下降而是坐标上升。
因为是求均值，所以噪声对其影响还是挺大的。
各组分方差一样其实是K-means
3. 更加严谨的推导
这个>=就是上面的那个小的下界的求得。
EM算法的收敛性，不细说：