Statistische Parameterschätzung
Bei der statistischen Parameterschätzung werden Modelle als Wahrscheinlichkeitsmodelle verstanden. Die Parameter beschreiben dann, wie wahrscheinlich bestimmte Beobachtungen sind.
Dieser Blick ist besonders wichtig, wenn Daten unsicher sind oder wenn verborgene Größen eine Rolle spielen. Dann geht es nicht nur um eine gute Vorhersage, sondern auch um eine plausible Erklärung der Daten.
M
1 Maximum-Likelihood-Schätzung
Parameter wählen, unter denen die beobachteten Daten möglichst wahrscheinlich sind
LV
2 Latente Variablen
Verborgene Größen in statistischen Modellen berücksichtigen
E
3 E-Schritt
Erwartungen über verborgene Variablen berechnen
M
4 M-Schritt
Parameter anhand der erwarteten verborgenen Informationen verbessern
E
5 EM-Algorithmus
Abwechselnd verborgene Informationen und Parameter schätzen
