• EM算法是一种数值方法。它并不特定于任何机器学习模型。常见的应用包括隐马尔可夫模型和混合高斯模型。该算法不是分类器。
• 逻辑回归是一种统计模型。您需要为逻辑回归选择一种数值方法。
• 朴素贝叶斯是一种统计模型。您需要选择一种数值方法（如果封闭式后验分布不可用）。

maximum likelihood在处理 EM 算法之前，您需要了解。简而言之，最大似然是一种估计模型中最可能的参数的方法。例如，如果您有一系列随机且相同分布的高斯随机变量，则高斯均值的最大似然估计量就是样本均值。

当您拟合逻辑回归时，您使用数值方法（例如迭代重加权最小二乘法）来最大化您的对数似然函数。

一切都很好，但如果你有一些潜在的变量，就不可能直接最大化可能性。一个常见的例子是使用隐藏马尔可夫模型对你的 DNA 序列进行建模，其中潜在状态是未知的。

你不能这样做，因为你不知道潜在变量。如果你这样做了，它们就不是潜在的定义。

EM algorithm是一种在有潜在变量时估计最大似然的数值方法。数学很复杂，但想法很简单。您从参数的一些初始值开始。您更新参数和潜在变量，当对数似然函数的变化低于某个阈值时，算法会收敛。