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

Question

我可以看到许多与期望最大化算法相关的示例。

很少有链接

期望最大化抛硬币示例
https://math.stackexchange.com/questions/81004/how-does-expectation-maximization-work-in-coin-flipping-problem
https://math.stackexchange.com/questions/25111/如何实现期望最大化工作
http://www.nature.com/nbt/journal/v26/n8/full/nbt1406.html?pagewanted=all

在所有情况下，我们都有一组隐藏的来源（通常是硬币）和一组观察结果（通常是一组抛硬币）。

例如
SRC = { Coin-1, Coin-2 }
OBSERVATIONS ARE
{ HTH, SRC1 },
{ THH, SRC2 },
{ HHH, SRC3 },
{ HTH, SRC4 },
{ HTT, SRC5 }
这里我们选择一个硬币（ unobserved,SRC1) 并折腾 3 次（observed, HTH）。

我的问题是，如果我以抛硬币的形式进行观察，例如
{ H, SRC1 },
{ T, SRC2 },
{ H, SRC3 },
{ H, SRC4 },
{ H, SRC5 }
EM 会为此工作吗案子 ？
如果是这样，结果会是什么？

Answer 1

是的。有可能的。我在下面包含一个推导（但这并不适合stackoverflow）：