期望最大化重估

通常，重新估計迭代過程在lambda.bar - lambda小於某個epsilon值時停止。期望最大化重估

如何確定這個epsilon值？我經常看到的是在論文中被寫爲一般的epsilon符號，並且從來沒有使用過的實際值，我認爲這會根據數據而改變。例如，如果我第一次迭代的λ值是5 * 10^-22，第二次迭代是1.3 * 10^-15，第三次是8.45 * 10^-15，第四次是1.65 * 10^-15， -14等，我將如何確定算法何時需要更多迭代？

此外，如果我將相同的算法應用於不同的數據集呢？我需要改變我的epsilon定義嗎？

對不起，長期以來的問題。對此感到困惑...... :)

來源

2013-05-10 LanneR

「我將如何確定何時該算法不需要更多迭代？」

當您在合理的時間內得到「足夠好」的結果時。 ;-)

「此外，如果我將相同的算法應用於不同的數據集，我需要更改我的epsilon定義嗎？」

是的，最有可能的。

來源

2013-05-10 17:47:40

如果你的第二個答案是唯一的選擇，那麼很難實現EM計算和自動對嗎？所以我認爲有一個更好的解決方案比需要爲每個輸入定製它。如果某人正在處理1000組不同的信息（比如說蛋白質序列），並且他們希望找到一般蛋白質羣的MLEs。他們將採用log（lambda）1 + ... + log（lamba）N表示蛋白質數量（N），以確定每次迭代時代表整個總體的最終lambda。那麼如何自動確定每種蛋白質的lambda？ – LanneR 2013-05-10 18:06:35

如果你能負擔得起，你可以讓它迭代，直到更新的值< =舊值（由於浮點錯誤，它可能是<）。我會傾向於這樣做，直到我跑出耐心或CPU預算。

來源

2013-05-10 20:12:37 mcdowella

期望最大化重估

回答

相關問題