含缺失数据线性模型回归系数的约束em算法

含缺失数据线性模型回归系数的约束em算法
本文针对含缺失数据线性模型回归系数的参数估计问题，介绍了一种有效的EM算法。

算法主要有以下几个步骤：
1、对于有缺失数据的线性模型，首先构建 Log likelihood 函数，设置优化问题，用EM算法进行参数估计。

2、EM算法形式上是一种迭代算法，其主要思想是：根据当前参数计算潜在变量的后验概率分布，然后在固定潜在变量分布下，运用最大似然估计方法寻找最优的参数值，达到对参数进行估计的目的。

3、在每一次迭代中，EM算法先计算潜在变量的后验概率分布，也称为EM步骤，然后基于最近一次估计出来的潜在变量分布，再进行Maximization（M）步骤，即从潜在变量分布函数的角度来求解最新的参数估计值，这样一步步进行下去，EM算法才能迭代的收敛到最终的参数估计值。

4、优化完毕后，将最优参数估计值代入最初的模型，就可以得到最小的Log likelihood函数值，从而得到最优的参数估计结果。

最后，通过本文及相关实验，证明了EM算法在含缺失数据线性模型
参数估计中，能获得较为准确和有效的结果，从而避免了传统估计方法难以解决的问题，是一种非常有效的算法。