machine-learning - 期望最大化 - 抛硬币示例中的观察计数

Question

我可以看到很多与期望最大化算法相关的例子。

链接很少

Expectation Maximization coin toss examples
https://math.stackexchange.com/questions/81004/how-does-expectation-maximization-work-in-coin-flipping-problem
https://math.stackexchange.com/questions/25111/how-does-expectation-maximization-work
http://www.nature.com/nbt/journal/v26/n8/full/nbt1406.html?pagewanted=all

在所有情况下，我们都有一组隐藏源(通常是硬币)......和一组观察结果(通常是抛硬币组)。

例如
SRC = { Coin-1, Coin-2 }
观察结果是
{ HTH, SRC1 },
{THH，SRC2}，
{HHH，SRC3}，
{ HTH，SRC4 }，
{ HTT、SRC5 }
这里我们选择一枚硬币(未观察到，SRC1)并抛掷三次(观察到，HTH)。

我的问题是，如果我通过抛硬币进行观察，就像
{ H, SRC1 },
{ T, SRC2 },
{ H, SRC3 },
{ H, SRC4 },
{ H、SRC5 }
EM 适合这种情况吗？
如果是这样，结果会怎样？

Answer 1

是的。有可能的。我在下面包含了一个推导(但这并不适合 stackoverflow):