İstatistik Sözlüğü → EM (beklenti-en büyükleme) algoritması
EM (beklenti-en büyükleme) algoritmasıkavram
Gözlenmeyen (gizil ya da eksik) değişkenler içeren modellerde, beklenti ve en büyükleme adımlarını sırayla tekrarlayarak en çok olabilirlik kestirimlerini bulan yinelemeli algoritma.
Gizil sınıf analizinde bir kişinin hangi sınıfta olduğu, karışım modellerinde bir gözlemin hangi bileşenden geldiği bilinmez. Bu bilgi olsaydı kestirim kolay olurdu. EM algoritması bir başlangıç değeriyle başlar. Beklenti (E) adımında mevcut parametrelerle her gözlemin her sınıfa ait olma sonsal olasılığını hesaplar. En büyükleme (M) adımında bu olasılıkları ağırlık olarak kullanıp parametreleri yeniden kestirir. İki adım, olabilirlikteki değişim ihmal edilebilir düzeye inene kadar tekrarlanır. Dempster, Laird ve Rubin (1977) her yinelemenin olabilirliği azaltmadığını göstermiştir.
EM kararlı ve uygulaması kolaydır, ancak yerel bir en büyük noktaya takılabilir. Bu nedenle çok sayıda rastgele başlangıçla çalıştırılmalı ve en iyi olabilirliğin birden çok başlangıçta tekrarlanıp tekrarlanmadığı denetlenmelidir. Özellikle en büyük noktaya yakınken yavaş yakınsar. Parametrelerin standart hatalarını doğrudan vermez; bunlar bilgi matrisi ya da bootstrap ile ek olarak hesaplanır. Eksik veri problemlerinde de MAR varsayımı altında en çok olabilirlik kestirimi için kullanılır.
Gündelik bir örnek
Bir kafede kahve içenlerin bir kısmının 'sabah aceleci', bir kısmının 'öğleden sonra keyif' müşterisi olduğu düşünülüyor, ama kimin hangi grupta olduğu bilinmiyor. EM önce kaba grup oranları ve ortalamalarla başlar, her müşterinin her gruba ait olma olasılığını hesaplar, sonra bu olasılıklarla grup özelliklerini günceller. Birkaç turda gruplar ve özellikleri kararlı hâle gelir.
MerQur'da
Gizil sınıf analizi ve Gizil profil analizi (sonlu Gauss karışımı) kestirimlerini EM algoritmasıyla yapar; 'En çok EM iterasyonu' her başlangıçtaki iterasyon sınırını, 'Rastgele başlangıç sayısı ve Rastgele tohum' yerel maksimuma takılma riskine karşı başlangıç sayısını belirler. Madde tepki kuramında 'Kestirim' seçeneğinin MML yolu EM ile çalışır; Küme-sağlam Cox analizinde paylaşılan gamma frailty modelinin β ve kırılganlıkları EM ile kestirilir.
Bu kavramın geçtiği analizler
Gizil Sınıf AnaliziGizil Profil AnaliziMadde Tepki KuramıKüme-Sağlam Cox (Marjinal ve Frailty Modeli)
İlgili kavramlar
En çok olabilirlik (ML) kestirimiRastgele başlangıçlar ve yerel en iyi çözüm