给定一组多年来{A, B, C, D, E}每月发生一次的事件：n
[A, B, C, C, B, D, A, B, C, C, B, D]
[E, B, C, B, B, D, E, B, C, B, B, D]
[C, B, C, D, E, A, A, D, C, C, B, D] //12 months x 3 years pictured
...
我有一个概率函数p(w, r) = ...，它计算一个事件跟随另一个事件的概率（例如 B 之后的 A），其中w和r是对输出进行建模的参数，当正确选择时应该适合样本数据。
我的最终目标是预测一年内的事件，但我坚持使用 EM 来确定w和r。
直觉上，我现在做的是：
- 从和的总随机值
w开始r - 使用函数计算每一对在一年中的概率（例如
A和B）p，将其与从样本中提取的实际概率分布进行比较，并基本上得到v当前w和r拟合样本的概率（ ）。 - 现在我的第三步是修改
w，r所以它v应该收敛到 1。这就是我卡住的地方。
我应该如何使用v来获得新的值w，r以便v最终收敛到 1？
编辑：
我想补充一点，这p基本上给了我事件连续性的估计概率分布。这意味着我有两个 2D 表面：估计和采样概率分布，我想使用w并r移动和缩放估计的表面，使其最适合采样的表面。
所以我的问题是，如何在一步之后比较两者，以及下一步如何获得新值w和r值。
例如：我在想我可以使用某种矩阵范数来获得两者之间的相似程度，然后根据之前的迭代来决定是否应该增加w/r减少。