|
关注：1
2013-05-23 12:21
求翻译：In this final step, the start partitioning for the data set is optimized using the EM algorithm. We therefore describe a suitable expectation and maximization step and then employ an iterative method. The likelihood of the complete model M can be calculated by adding up the log-likelihoods of the occurrence of each data是什么意思？ 待解决
 悬赏分：1
- 离问题结束还有
In this final step, the start partitioning for the data set is optimized using the EM algorithm. We therefore describe a suitable expectation and maximization step and then employ an iterative method. The likelihood of the complete model M can be calculated by adding up the log-likelihoods of the occurrence of each data
问题补充： |
|
2013-05-23 12:21:38
在这最后一步，开始为数据集分区使用EM算法进行了优化。因此，我们描述一个合适的期望和最大化的一步，然后采用一种迭代方法。可以计算出完整的模型M的可能性增加了发生在每个簇中的每个数据对象数似然性。因此，我们的模型是（本地）最佳，如果我们获得以下日志的可能性长期最大。
|
|
2013-05-23 12:23:18
最终在这一步,开始的数据对您的硬盘进行分区使用em算法进行了优化设置。 因此,我们描述一个合适期望和追求最大一步,然后采用一种迭代方法。 的可能性,可以计算的完整型号m添加日志的likelihoods每一个数据对象的发生在每个群集。 因此,我们的模型(本地)最佳如果我们获得的以下日志项的最大的可能性。
|
|
2013-05-23 12:24:58
在这final步，分成为数据集的开始使用EM算法被优选。 因此我们描述适当的期望和最大化步然后使用一个重申方法。 完全模型M的可能在每可以通过增加每个数据对象发生的日志可能群计算。 因此，我们的模型是(当地)优选的，如果我们获得一个最大值为以下日志可能期限。
|
|
2013-05-23 12:26:38
在此 final 步骤，为数据集启动分区的优化使用 EM 算法。我们因此描述一个合适的期望和最大化的步骤，然后使用一种迭代的方法。通过添加日志-likelihoods 的每个群集中的每个数据对象发生了，可以计算完整的模型 M 的可能性。因此，我们的模型是如果我们获得的最大值 （本地） 优化日志可能性的下一个任期。
|
|
2013-05-23 12:28:18
在这中？nal 步骤，对于被设置的数据的开始分割被优化使用使算法。我们因此描述一个合适的预期和将最大化步骤，然后使用一种重复的方法。完整的模型的可能性 M 可以被在每个中将每个数据物体的发生的日志可能性加起来计算群集。因此，我们的模型是 ( 本地 ) 优化如果我们持续下列日志可能性的学期获取一个最大值。
|
湖北省互联网违法和不良信息举报平台 | 网上有害信息举报专区 | 电信诈骗举报专区 | 涉历史虚无主义有害信息举报专区 | 涉企侵权举报专区
