Prensip olarak, hem EM hem de standart optimizasyon yaklaşımları karışım dağılımlarının takılması için kullanılabilir. EM gibi, dışbükey optimizasyon çözücüleri de yerel bir optimum hale gelecektir. Ancak, birden fazla yerel optima varlığında daha iyi çözümler aramak için çeşitli optimizasyon algoritmaları mevcuttur. Bildiğim kadarıyla, en iyi yakınsama hızına sahip algoritma soruna bağlı olacaktır.
EM'nin bir yararı, doğal olarak her iterasyonda karışım dağılımı için geçerli parametreler üretmesidir. Buna karşılık, standart optimizasyon algoritmalarının uygulanması için kısıtlamalara ihtiyaç duyacaktır. Örneğin, bir Gauss karışım modeli taktığınızı varsayalım. Standart doğrusal olmayan bir programlama yaklaşımı, kovaryans matrislerinin pozitif semidefinit olmasını ve karışım bileşeni ağırlıklarının negatif olmayan ve bir toplamını sınırlamasını gerektirir.
Yüksek boyutlu problemlerde iyi performans elde etmek için, doğrusal olmayan bir programlama çözücüsünün genellikle degradeden faydalanması gerekir. Yani, degradeyi türetmeniz veya otomatik farklılaştırmayla hesaplamanız gerekir. Degradeler, standart bir formları yoksa, kısıtlama işlevleri için de gereklidir. Newton yöntemi ve ilgili yaklaşımlar (örneğin, güven bölgesi yöntemleri) Hessian'a da ihtiyaç duyar. Gradyan yoksa, sonlu farklar veya türev içermeyen yöntemler kullanılabilir, ancak parametre sayısı arttıkça performans düşük ölçeklendirme eğilimi gösterir. Aksine, EM degradeyi gerektirmez.
EM kavramsal olarak sezgiseldir, bu büyük bir erdemdir. Bu genellikle standart optimizasyon yaklaşımları için de geçerlidir. Birçok uygulama detayı vardır, ancak genel konsept basittir. Bu ayrıntıları kaputun altında soyutlayan standart optimizasyon çözücüleri kullanmak genellikle mümkündür. Bu durumlarda, bir kullanıcının sadece nesnel işlevi, kısıtlamaları ve degradeleri sağlaması ve soruna çok uygun bir çözücü seçmek için yeterli çalışma bilgisine sahip olması gerekir. Ancak, kullanıcının optimizasyon algoritmasının düşük düzeyli ayrıntılarını düşünmesi veya uygulaması gereken noktaya gelmesi durumunda uzman bilgisi kesinlikle gereklidir.
EM algoritmasının diğer bir yararı, bazı veri değerlerinin eksik olduğu durumlarda kullanılabilmesidir.
Ayrıca ilgi (yorumlar dahil):