EM算法是一种非常流行的最大似然估计方法，它是在观测数据为不完整数据时求解最大似然估计的迭代算法，同时也是估计有限混合模型参数的有效算法。 但是，EM算法不能保证找到全局最优解，而且往往容易陷入局部最优解，因此对迭代初始值的确定很敏感。 传统的EM算法随机选择初始值，提出了一种改进的初始值选择方法。 首先，我们使用k-nearest-neighbor方法删除异常值。 其次，使用k均值初始化EM算法。 将该方法与原始随机初始值方法进行比较，数值实验表明，EM算法初始化的参数估计效果明显优于原始EM算法。
2022-06-28 15:02:43
426KB
1
适用于CentOS 7服务端Python环境搭建
包括：Python 3.8.7、Nginx 1.19.2 、redis-50.012、mysql-5.7.36
脚本使用了阿里云镜像、华为云镜像，如果部分内网环境下配置，可能需要配置白名单。
默认端口开放：80\3306\22，建议修改默认SSH端口。
selinux下需要执行：
semanage port -a -t ssh_port_t -p tcp 新SSH端口号
2022-06-22 14:00:33
4KB
1
创建测试类ClothingDemo，实现如下功能:
1、初始化三种品牌的上衣信息，例如:(品牌:优衣库类型:风衣价格:399风格:通勤风)
2、将三种服装存入到集合中，要求泛型。
3、输出集合中的所有服装信息。
4、显示集合中百搭风格的服装信息。
5、输入任意服装类型(如连衣裙)，在集合中查找是否存在该服装类型。
6、查找服装价格小于200的服装信息。
2022-06-20 13:04:39
855B