EM算法是一种迭代算法，传说中的上帝算法，俗人可望不可及。用以含有隐变量的概率模型参数的极大似然估计，或极大后验概率估计
EM算法定义
输入：观测变量数据X，隐变量数据Z,联合分布(P(X,Z| heta))
输出：模型参数( heta)
(1)选择初始模型参数( heta^{(0)})，开始迭代
(2)E步：记( heta^{i})为第i次迭代参数( heta)的估计值，计算在第i次迭代的期望$$Q( heta, heta^{(i)}) = E(logP(x,z| heta)|x, heta^{(i)}))=int_zlogp(x,z| heta)p(z| heta^{(i)})$$
(3)M步：求使( heta^{(i+1)} = Q( heta, heta^{(i)})的最大值)
(4)重复第(2)步和第(3)步
EM算法几点说明
(1)参数的初值可以任意选择，但需注意EM算法初始是敏感的
(2)E步求(Q( heta, heta^{(i)})),Q函数种的Z是为观测数据，X是观测数据，(Q( heta, heta^{(i)}))中的第一个变元表示要极大化的参数，第二个变元表示参数的当前估计值，每次迭代实际在求Q的极大值
(3)给出停止迭代的条件，一般是对较小的正数(xi_i,xi_2),若满足(|| heta^{(i+1)} - heta^{(i)} < xi_i||或||Q( heta^{(i+1)}, heta^{(i)})-Q( heta^{(i)}, heta^{(i)})|| < xi_2)
EM算法推导
由于log函数为凹函数，则$$L( heta) geq int_zlogfrac{p(x,z| heta)}{p(z| heta^{(i)})}p(z| heta^{(i)})dz$$
由于减式后面与模型参数( heta)无关，(P(z| heta^{(i)})是已知的)，所以只需关注减式前面的式自，令$$Q( heta, heta^{(i)})=int_zlogp(x,z| heta)p(z| heta^{(i)})$$
和算法定义中的步骤(2)相同，将原L的优化问题转换为求原问题下界(Q( heta, heta^{(i)}))的最大值
因此，任何可以使(Q( heta, heta^{(i)}))增大的( heta)都可以使(L( heta))增大,为了使(L( heta))有尽可能的增长，选择使(Q( heta, heta^{(i)}))达到最大，即$$ heta^{(i+1)} = argmaxQ( heta, heta^{(i)})$$
EM算法收敛性
定理1：(设P(x| heta)为观测数据的似然函数， heta^{(i)}为EM算法得到的参数估计序列，P(x| heta^{(i)})为对应的似然函数序列，则P(x| heta^{(i)})单调递增)
定理2：(设L( heta) = logP(x| heta)为观测数据的似然函数， heta^{(i)}为EM算法得到的参数估计序列，L( heta^{(i)})为对应的似然函数序列)
(1)(如果P(x| heta)有上界，则L( heta^{(i)})收敛到某一值L^*)
(2)(在函数Q( heta, heta^{(i)})与L( heta)满足一定条件下，由EM算法得到的参数估计序列 heta^{(i)}的收敛值 heta^*是L( heta)的稳定值)