內部外部算法（英語：inside-outside algorithm）是一種重新檢驗隨機上下文無關文法（probabilistic context-free grammar）生成機率的方式。
基本介紹
- 中文名：內部外部算法
- 外文名：inside-outside algorithm
- 提出者：James K. Baker
- 提出時間：1979年
簡介,隨機上下文無關文法,最大期望算法,參見,
簡介
內部外部算法（英語：inside-outside algorithm）是一種重新檢驗隨機上下文無關文法（probabilistic context-free grammar）生成機率的方式，由James K. Baker 於1979年提出，是一個一般化的向前向後算法，用來作為隨機上下文無關文法其隱馬爾可夫模型的屬性評估。這種算法是用來計算某種期望值，舉例來說，可以用來成為最大期望算法（一種無監督的學習算法）的一部分。
隨機上下文無關文法
最大期望算法
最大期望算法（Expectation-maximization algorithm，又譯期望最大化算法）在統計中被用於尋找，依賴於不可觀察的隱性變數的機率模型中，參數的最大似然估計。
在統計計算中，最大期望（EM）算法是在機率模型中尋找參數最大似然估計或者最大後驗估計的算法，其中機率模型依賴於無法觀測的隱性變數。最大期望算法經常用在機器學習和計算機視覺的數據聚類（Data Clustering）領域。最大期望算法經過兩個步驟交替進行計算，第一步是計算期望（E），利用對隱藏變數的現有估計值，計算其最大似然估計值；第二步是最大化（M），最大化在E步上求得的最大似然值來計算參數的值。M步上找到的參數估計值被用於下一個E步計算中，這個過程不斷交替進行。
