EM算法的适用场景：
- EM算法用于估计含有隐变量的概率模型参数的极大似然估计，或者极大后验概率估计。
- 当概率模型既含有观测值，又含有隐变量或潜在变量时，就可以使用EM算法来求解概率模型的参数。
- 当概率模型只含有观测值时，直接使用极大似然估计法，或者贝叶斯估计法估计模型参数就可以了。
最大似然估计：若X为离散型随机变量，其概率分布的形式为P{X=x}=p(x;theta). 当样本值确定时，所有样本的乘积可以看作是theta的函数，并称为似然函数。
由于已经得到了样本值（x1,…,xn),那它的出现的可能性应该是大的，即似然函数的值应该是大的。因而我们选择使似然函数达到最大值的那个theta做为真theta的估计
EM算法的入门简单例子：
已知有三枚硬币A，B，C，假设抛掷A，B，C出现正面的概率分别为pi，p，q。
单次实验的过程是:
1.首先抛掷硬币A，如果A出现正面选择硬币B，否则，选择硬币C。
2.抛掷所选择的硬币，正面输出1，反面输出0。
重复上述单词实验n次，需要估计抛掷硬币A，B，C出现正面的概率pi，p，q。
其中每次实验步骤1的抛掷结果不可见，可见的是所挑选硬币的抛掷结果。
- 核心思想：通过E步骤和M步骤使得期望最大化
- 算法优点：简单稳定
- 算法缺点：迭代速度慢，次数多，容易陷入局部最优；对初始值敏感：EM算法需要初始化参数θ，而参数θ的选择直接影响收敛效率以及能否得到全局最优解。
- 应用领域：参数估计; 计算机视觉的数据集聚; k-means算法是EM算法思想的体现，E步骤为聚类过程，M步骤为更新类簇中心。GMM（高斯混合模型）也是EM算法的一个应用