EM算法类似于坐标上升法(coordinate ascent):E步:计算隐变量期望$Q$;M步:将期望$Q$代入极大似然估计中,估算$\theta$;交替将极值推向最大。
SVM算法的主要缺点有: 如果特征维度远远大于样本数,则SVM表现一般。 在样本量非常大,核函数映射维度非常高时,计算量过大,不太适合使用。 非线性问题的核函数的选择没有通用标准,难以选择一个合适的核函数。 对缺失数据敏感。 SVM核函数的意义 SVM通过核函数将输入空间映射到高维特征空间,最终在高维特征空间中构造出...