期望最大化重估

通常，重新估计迭代过程在lambda.bar - lambda小于某个epsilon值时停止。期望最大化重估

如何确定这个epsilon值？我经常看到的是在论文中被写为一般的epsilon符号，并且从来没有使用过的实际值，我认为这会根据数据而改变。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，我将如何确定算法何时需要更多迭代？

此外，如果我将相同的算法应用于不同的数据集呢？我需要改变我的epsilon定义吗？

对不起，长期以来的问题。对此感到困惑...... :)

来源

2013-05-10 LanneR

“我将如何确定何时该算法不需要更多迭代？”

当您在合理的时间内得到“足够好”的结果时。 ;-)

“此外，如果我将相同的算法应用于不同的数据集，我需要更改我的epsilon定义吗？”

是的，最有可能的。

来源

2013-05-10 17:47:40

如果你的第二个答案是唯一的选择，那么很难实现EM计算和自动对吗？所以我认为有一个更好的解决方案比需要为每个输入定制它。如果某人正在处理1000组不同的信息（比如说蛋白质序列），并且他们希望找到一般蛋白质群的MLEs。他们将采用log（lambda）1 + ... + log（lamba）N表示蛋白质数量（N），以确定每次迭代时代表整个总体的最终lambda。那么如何自动确定每种蛋白质的lambda？ – LanneR 2013-05-10 18:06:35

如果你能负担得起，你可以让它迭代，直到更新的值< =旧值（由于浮点错误，它可能是<）。我会倾向于这样做，直到我跑出耐心或CPU预算。

来源

2013-05-10 20:12:37 mcdowella

期望最大化重估

回答

相关问题