假如有 x , y x,y x,y服从如下分布关系： 看起来像是3元混合高斯分布，比较复杂。 如果我们再引入隐变量 z z z，使得 z = z 1 z = z_1 z=z1​时， x , y ∼ N ( μ 1 , Σ 1 ) x, y \sim N(\mu_1, \Sigma_1) x,y∼N(μ1​,Σ1​)； z = z 2 z = z_2 z=z2​时， x , y ∼ N ( μ 2

一、简介 EM算法 最大期望算法(Expectation-maximization algorithm，简称EM，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。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性变量。最大期望算法经常用在机器学习和计算机视觉得数据聚类领域。E

转载https://blog.csdn.net/kingzone_2008/article/details/81291507 神经网络中隐层数和隐层节点数问题的讨论 一 隐层数         一般认为，增加隐层数可以降低网络误差（也有文献认为不一定能有效降低），提高精度，但也使网络复杂化，从而增加了网络的训练时间和出现“过拟合”的倾向。一般来讲应设计神经网络应优先考虑3层网络（即有1个隐层）