Algorithm EM算法中的似然性

关于EM算法。 如果我理解正确，似然值是在E步中获得的（例如，在Baum–Welch算法中，似然值可以从前向-后向过程中获得）。

---

然而，每个EM迭代的最后一步是M步。这意味着在步骤k中计算的可能性实际上“属于”步骤（k-1）的参数。这是真的吗，还是我遗漏了什么？

EM算法的目标是，给定一个模型，找到模型的参数，使数据的可能性最大化

重点是参数，而不是似然值

根据我的理解，E步是用来计算对数似然函数的期望值。在实践中，主要包括使用当前参数值计算M步所需的值。在M步中，您将获得最大化可能性（或其下限）的参数。随后可以使用新参数计算似然值

你和HMMs一起工作吗？如果是，我可以指定每一步计算的数量

希望这能有所帮助！：）