1. 运用em进行数据挖掘
kmeans算法，设计思想简单，且执行效率高，是机器学习、数据挖掘等领域中最常用算法之一。自1967年提出以来，现有多种变形。如针对随机初始化中心的，簇数自适应选择的，与EM等组合等等
2. em算法代码实现
是指最大期望算法（Expectation-Maximization algorithm, EM），或Dempster-Laird-Rubin算法[1]，是一类通过迭代进行极大似然估计（Maximum Likelihood Estimation, MLE）的优化算法[2]，通常作为牛顿迭代法（Newton-Raphson method）的替代用于对包含隐变量（latent variable）或缺失数据（incomplete-data）的概率模型进行参数估计。
3. EM算法应用
在统计计算中，最大期望（EM）算法是在概率（probabilistic）模型中寻找参数最大似然估计或者最大后验估计的算法，其中概率模型依赖于无法观测的隐藏变量（Latent Variable）。
最大期望经常用在机器学习和计算机视觉的数据聚类（Data Clustering）领域。
最大期望算法经过两个步骤交替进行计算：
第一步是计算期望（E），利用对隐藏变量的现有估计值，计算其最大似然估计值；
第二步是最大化（M），最大化在 E 步上求得的最大似然值来计算参数的值。
M 步上找到的参数估计值被用于下一个 E 步计算中，这个过程不断交替进行。总体来说，EM的算法流程如下：
4. em算法应用实例
算法的复杂性 算法的复杂性是算法效率的度量，是评价算法优劣的重要依据。一个算法的复杂性的高低体现在运行该算法所需要的计算机资源的多少上面，所需的资源越多，我们就说该算法的复杂性越高；反之，所需的资源越低，则该算法的复杂性越低。 计算机的资源，最重要的是时间和空间（即存储器）资源。因而，算法的复杂性有时间复杂性和空间复杂性之分。 不言而喻，对于任意给定的问题，设计出复杂性尽可能低的算法是我们在设计算法时追求的一个重要目标；另一方面，当给定的问题已有多种算法时，选择其中复杂性最低者，是我们在选用算法适应遵循的一个重要准则。因此，算法的复杂性分析对算法的设计或选用有着重要的指导意义和实用价值。 简言之，在算法学习过程中，我们必须首先学会对算法的分析，以确定或判断算法的优劣。 1.时间复杂性： 例1：设一程序段如下（为讨论方便，每行前加一行号） (1) for i:=1 to n do (2) for j:=1 to n do (3) x:=x+1 ...... 试问在程序运行中各步执行的次数各为多少？ 解答： 行号 次数(频度) (1) n+1 (2) n*(n+1) (3) n*n 可见，这段程序总的执行次数是：f(n)=2n2+2n+1。在这里，n可以表示问题的规模，当n趋向无穷大时，如果 f(n)的值很小，则算法优。作为初学者，我们可以用f(n)的数量级O来粗略地判断算法的时间复杂性，如上例中的时间复杂性可粗略地表示为T(n)=O(n2)。 2.空间复杂性: 例2:将一一维数组的数据(n个)逆序存放到原数组中,下面是实现该问题的两种算法: 算法1:for i:=1 to n do b[i]:=a[n-i+1]; for i:=1 to n do a[i]:=b[i]; 算法2:for i:=1 to n div 2 do begin t:=a[i];a[i]:=a[n-i-1];a[n-i-1]:=t end; 算法1的时间复杂度为2n,空间复杂度为2n 算法2的时间复杂度为3*n/2,空间复杂度为n+1 显然算法2比算法1优，这两种算法的空间复杂度可粗略地表示为S(n)=O(n) 信息学比赛中，经常是：只要
5. em数据库
(1)searchforms检索方式(2)EMTREEKeywordsEMBASE主题词表检索(3)Journals出版物检索(4)Authors作者检索(5)其他检索