algorithm - 期望最大化重新估计

Question

通常，当 lambda.bar - lambda 小于某个 epsilon 值时，重新估计迭代过程会停止。

究竟如何确定这个 epsilon 值？我经常只看到在论文中写成一般的 epsilon 符号，而不是实际使用的值，我认为它会根据数据而改变。

因此，例如，如果我第一次迭代的 lambda 值为 5*10^-22，第二次迭代是 1.3*10^-15，第三次是 8.45*10^-15，第四次是 1.65*10^-14，等等.，我将如何确定算法何时不再需要迭代？

此外，如果我将相同的算法应用于不同的数据集怎么办？我需要更改我的 epsilon 定义吗？

对不起，很长的问题。对此感到非常困惑...... :)

Answer 1

“我如何确定算法何时不再需要迭代？”

当您在合理的时间内获得“足够好”的结果时。;-)

“此外，如果我将相同的算法应用于不同的数据集怎么办？我需要更改我的 epsilon 定义吗？”

是的，很可能。

Answer 2

如果你负担得起，你可以让它迭代直到更新值 <= 旧值（它可能是 < 由于浮点错误）。在我用尽耐心或 CPU 预算之前，我会倾向于这样做。