Maximisation d'espérance

Bonjour,

Je desire développer une application de social sensing dans laquelle un participant remonte des mesures et les autres participants donnent leur feedback à propos des mesures remontées.Ce sont des mesures binaires. Je suis tombé sur un document dont voici la référence (http://www3.nd.edu/~sslab/pdf/ipsn12.pdf) qui propose d'utiliser l'algo EM pour calculer une estimation de la fiabilité des participants et de la justesse des mesures mais je ne suis pas un mathématicien mais juste un informaticien, du coup j'ai dû mal à comprendre.
En fait je dois adapter cet algo en Java pour obtenir ces estimateurs mais l'algo en question semble très différent de ce que Pseudocode a proposé. Quelqu'un saurait adapter cet algo en java SVP?

Merci

Sans vouloir polémiquer, ca se ressemble tout de même un peu. :P

 1: Initialize ? (ai = si, bi = 0.5 × si, d =Random number in (0, 1) )
 
 2: while does not converge do
 3:   for j = 1 : N do
 4:     compute .. based on Equation (11)
 5:   end for
 6: 
 7:   for i = 1 : M do
 8:     compute ... based on Equation (17)
 9:     update ...
10:   end for
11: 
12: end while


13-25: (utiliser le modèle trouvé pour faire des trucs) 

// initial guess for the laws parameters (uniform)
(...)

// performe EM algorithm
for(int loop=0;loop<5000;loop++) {
    for(int i=0;i<N;i++) {
        // ---- E Step ----
    }
    for(int k=0;k<G;k++) {
        // ---- M Step ----
    }
    for(int k=0;k<G;k++) {
        // ---- Update ----
    }
    if( convergence < 1E-10 ) break;
}

// display mixture coefficients and law parameters
(...)

salut,

dans votre algo vous utilisez une formule inversée bayesienne (je sais pas c'est quoi:?) et dans mon algo il nya pas cette partie là déjà...bref je serais preneur si vous reussissez à l'adapter:mrgreen:

Citation:

---

Envoyé par chisseucraoul

dans votre algo vous utilisez une formule inversée bayesienne (je sais pas c'est quoi:?) et dans mon algo il nya pas cette partie là déjà...bref je serais preneur si vous reussissez à l'adapter:mrgreen:

---

Théorème de Bayes. C'est un théorème fondamental pour tout ce qui est probabiliste.

P(A et B) = P(A|B) * P(B) = P(B|A) * P(A)

C'est trrrrèèèèèss compliqué à expliquer. Mais c'est facile a comprendre:

if (A and B) then
    ... // probabilité d'executer ce code = Probabilité que (A est vrai et B est Vrai) 
end

if (A) then
    ... // probabilité d'executer ce code = Probabilité que (A est vrai)
    if (B) then
        ... // probabilité d'executer ce code =Probabilité que (B est vrai si A est Vrai) * Probabilité que (A est vrai)
    end
end

if (B) then
    ... // probabilité d'executer ce code = Probabilité que (B est vrai)
    if (A) then
        ... // probabilité d'executer ce code = Probabilité que (A est vrai si B est Vrai) * Probabilité que (B est vrai)
    end
end

Bayes inversion formula: c'est une simple reformulation du théorème.

P(B|A) = P(A|B) * P(B) / P(A)

Salut, je suis tombé sur un document tres intéressant, http://www.pacea.u-bordeaux1.fr/IMG/pdf/algo-em.pdf
mon cas est proche de l'exemple du jeu avec pile ou face c''est à dire dans mon contexte que chaque observation peut avoir le valeur vrai ou Faux.
je vais me basé dessus pour essayer d'adapter ton algorithme(mais je crois que sa me prendra une éternité...:() mais si tu y arrives avant moi n' hésites pas à partager STP:D