(এই উত্তরটি আপনার দেওয়া দ্বিতীয় লিঙ্কটি ব্যবহার করে))
সম্ভাবনার সংজ্ঞাটি পুনরায় স্মরণ করুন:
যেখানে আমাদের ক্ষেত্রে সম্ভাব্যতার জন্য অনুমানকারী যে যথাক্রমে A এবং B স্থলভাগের মুদ্রা, আমাদের পরীক্ষার ফলাফল, প্রতিটি 10 টি ফ্লিপ এবং
প্রতিটি পরীক্ষায় ব্যবহৃত মুদ্রা হিসাবে গঠিত।θ = ( θ এ , θ বি ) এক্স = ( এক্স 1 , … , এক্স 5 ) এক্স আই জেড = ( জেড 1 , … , জেড 5 )
L[θ|X]=Pr[X|θ]=∑ZPr[X,Z|θ]
θ=(θA,θB)X=(X1,…,X5)Xiজেড= ( জেড)1, … , জেড5)
আমরা সর্বোচ্চ সম্ভাবনা মূল্নির্ধারক খুঁজতে চান । প্রত্যাশা-বৃহদায়ন (ই.এম.) আলগোরিদিম (অন্তত স্থানীয়) এটি এক ধরনের পদ্ধতি । এটা তোলে শর্তসাপেক্ষ প্রত্যাশা, যা সর্বাধিক ব্যবহৃত হয় খোঁজার করে কাজ করে । ধারণাটি হ'ল ক্রমাগত আরও বেশি সম্ভাবনা (যেমন আরও সম্ভাব্য)
প্রতিটি পুনরাবৃত্তির মধ্যে আমরা ক্রমাগত বৃদ্ধি করব যার সম্ভাবনা কার্য বৃদ্ধি করে। EM- ভিত্তিক অ্যালগরিদম ডিজাইনের এগিয়ে যাওয়ার আগে তিনটি জিনিস করা দরকার। θ θθPr[এক্স,টু Z| θ]θ^θ^θθজন [ এক্স, জেড| θ]
- মডেলটি তৈরি করুন
- মডেল (ই-পদক্ষেপ) এর অধীনে গণনা শর্তাধীন প্রত্যাশা
- আমাদের বর্তমান অনুমান (এম-স্টেপ) আপডেট করে আমাদের সম্ভাবনাθ
মডেলটি তৈরি করুন
ইএম নিয়ে আমরা আরও আগে যাওয়ার আগে আমাদের কম্পিউটার করা ঠিক কী তা নির্ধারণ করা দরকার। ই-পদক্ষেপে আমরা জন্য প্রত্যাশিত মানটি ঠিক গণনা করছি । তাহলে এই মানটি আসলে কী? লক্ষ্য করুন যে
কারণটি হ'ল আমাদের কাছে অ্যাকাউন্টে 5 টি পরীক্ষা-নিরীক্ষা রয়েছে এবং আমরা জানি না যে প্রতিটিতে কোন মুদ্রা ব্যবহৃত হয়েছিল। বৈষম্য কারণে হয়লগ প্রে [ এক্স , জেড | θ ]লগজন [ এক্স, জেড| θ]লগ
logPr[X,Z|θ]=∑i=15log∑C∈{A,B}Pr[Xi,Zi=C|θ]=∑i=15log∑C∈{A,B}Pr[Zi=C|Xi,θ]⋅Pr[Xi,Zi=C|θ]Pr[Zi=C|Xi,θ]≥∑i=15∑C∈{A,B}Pr[Zi=C|Xi,θ]⋅logPr[Xi,Zi=C|θ]Pr[Zi=C|Xi,θ].
লগঅবতল হওয়া এবং জেনসেনের অসমতা প্রয়োগ করা। আমাদের যে নিম্ন সীমাটির প্রয়োজন তা হ'ল আমরা সরাসরি সমীকরণের সাথে আরগ সর্বাধিক গণনা করতে পারি না। তবে আমরা চূড়ান্ত নিম্ন বাউন্ডের জন্য এটি গণনা করতে পারি।
এখন কী? এটা তোলে সম্ভাব্যতা যে আমরা দেখতে মুদ্রা দেওয়া পরীক্ষা এবং । আমাদের রয়েছে শর্তাধীন সম্ভাবনাগুলি ব্যবহার করে,সি এক্স আমি θ Pr [ জেড আমি = সি | এক্স আই , θ ] = প্র [ এক্স আই , জেড আই = সি | θ ]জনসাধারণ [ জেডআমি= সি| এক্সআমি,θ]CXiθ
Pr[Zi=C|Xi,θ]=Pr[Xi,Zi=C|θ]Pr[Xi|θ].
যখন আমরা কিছু অগ্রগতি করেছি, আমরা এখনও মডেলটি দিয়ে শেষ করি নি। কোনও প্রদত্ত মুদ্রা ক্রম ফ্লিপ করার সম্ভাবনা কী ? লেটিং
এখন বা উভয় সম্ভাবনার অধীনে স্পষ্টতই সম্ভাবনা । যেহেতু আমাদের রয়েছে,
এইচ আমি = # হেডস এক্স আই প্রেতে [ এক্স আই , জেড i = সি | θ ] = 1Xihi=#heads in Xi
প্র[এক্সআই| θ]জেডi=এজেডআই=বিপ্র[জেডআই=এ]=প্র[জেডআই=বি]=১/২
Pr[Xi,Zi=C|θ]=12⋅θhiC(1−θC)10−hi, for C∈{A,B}.
Pr[Xi|θ]Zi=AZi=BPr[Zi=A]=Pr[Zi=B]=1/2Pr[Xi| θ]=1 / 2⋅(Pr[ এক্সআমি| জেডআমি= একটি , θ ] + + Pr [ এক্সআমি| জেডআমি= বি , θ ] ) ।
ই-পদক্ষেপ
ঠিক আছে ... এটি এত মজা ছিল না তবে আমরা এখন কিছু EM কাজ শুরু করতে পারি। EM অ্যালগরিদমটি জন্য কিছু এলোমেলো অনুমান করে শুরু হয় । এই উদাহরণে আমাদের কাছে । আমরা গণনা করি
এই মান কাগজে আছে সঙ্গে লাইন। এখন আমরা মুদ্রা ,
এর প্রত্যাশিত সংখ্যার অঙ্ক করতে পারিআমরা যে
মুদ্রা পেয়েছি তার জন্য একই জিনিস করা ,
θ 0 = ( 0.6 , 0.5 ) Pr [ জেড 1 = একটি | এক্স 1 , θ ] = 1 / 2 ⋅ ( 0.6 5 ⋅ 0.4 5 )θθ0= ( 0.6 , 0.5 )
জনসাধারণ [ জেড1= ক | এক্স1, Θ ] = 1 / 2 ⋅ ( 0.65⋅ 0.45)1 / 2 ⋅ ( ( 0.65⋅ 0.45) + ( 0.55⋅ 0.55) )≈ 0.45।
এক্স1= ( এইচ, টি, টি, টি, এইচ, এইচ, টি, এইচ, টি, এইচ)একজনE [ # মুদ্রা দ্বারা মাথা A | এক্স1, θ ] = এইচ1⋅ Pr [ জেড1= ক | এক্স1, θ ] = 5 ⋅ 0.45 ≈ 2.2।
বিই [ # মুদ্রা দ্বারা মাথা বি | এক্স1, θ ] = এইচ1⋅ Pr [ জেড1= খ | এক্স1, θ ] = 5 ⋅ 0.55 ≈ 2.8।
আমরা দ্বারা substituting মুদ্রার উলটা পিঠ সংখ্যার জন্য একই গনা করতে জন্য । এই অন্যান্য সব মান ধরে চলতে এবং । প্রত্যাশা রৈখিকতার জন্য আমরা we
জ110 - এইচ1এক্সআমিজআমি 1 ≤ i ≤ 5E [ # মুদ্রা দ্বারা মাথা A | এক্স, θ ] = ∑i = 15E [ # মুদ্রা দ্বারা মাথা A | এক্সআমি, θ ]
এম-পদক্ষেপ
হাতে আমাদের প্রত্যাশিত মান, এখন এম পদক্ষেপ যেখানে আমরা সর্বাধিক চান আসে
আমাদের প্রত্যাশিত মান দেওয়া। এটি সাধারণ সাধারণীকরণ দ্বারা করা হয়!
তেমনিভাবে । এই প্রক্রিয়া ই-পদক্ষেপ এবং আবার শুরু এবং চলতে থাকে যতক্ষণ মান মিলিত (অথবা কিছু alloweable থ্রেশহোল্ড)। এই উদাহরণে আমাদের 10 টি পুনরাবৃত্তি এবং । প্রতিটি পুনরাবৃত্তিতে আরও ভাল অনুমানের কারণে মান
বৃদ্ধি পায়θ
θ1একজন= ই[ # টি এক্স ছাড়িয়ে গেছে কয়েন এ | এক্স, θ ]ই[ # টির ওপরে X এর উপরে মাথা এবং লেজ কয়েন এ | এক্স, θ ]= 21.321.3 + 9.6≈ 0.71।
বিθ1θθ^= θ10= ( 0.8 , 0.52 )জন [ এক্স, জেড| θ]θ ।
এখন এক্ষেত্রে মডেলটি মোটামুটি সরল ছিল। থিংস আরো অনেক কিছু প্রশংসনীয় দ্রুত জটিল করতে পারেন, তবে ই.এম. অ্যালগরিদম সবসময় একই বিন্দুতে মিলিত হবে, এবং সবসময় একটি maxmimum সম্ভাবনা মূল্নির্ধারক উত্পাদন করা হবে । এটি কোনও স্থানীয় অনুমানকারী হতে পারে তবে এটিকে ঘুরে দেখার জন্য আমরা ইএম প্রক্রিয়াটি অন্য কোনও সূচনা দিয়ে পুনরায় আরম্ভ করতে পারি। আমরা এটি নিয়মিত পরিমাণে করতে পারি এবং সেরা ফলাফলগুলি ধরে রাখতে পারি (যেমন, চূড়ান্ত সম্ভাবনাগুলির সাথে যারা)।θ^