1788.现实中往往会遇到“不完整”的训练样本,在这种存在属性变量值未知的情形下,可用(()。

题目解析： 题干描述的是在现实场景中，训练样本可能存在属性变量值缺失或未知的情况，即数据不完整。在这种情况下，如何对模型进行有效估计和学习是关键问题。 选项分析： A：边际似然 边际似然是指在概率模型中通过对隐变量或缺失变量积分（或求和）得到的关于可观测变量的似然函数。虽然边际似然在处理缺失数据时有理论基础，但它本身是一种计算目标，而不是一种直接用于迭代优化或填补缺失值的算法。 B：EM算法 EM算法（Expectation-Maximization Algorithm）是专门用于含有隐变量或缺失数据的概率模型参数估计的迭代算法。其核心思想分为两步：E步（期望步），基于当前参数估计缺失数据的期望；M步（最大化步），基于补全的数据更新模型参数。该方法特别适用于处理不完整的训练样本，因此是本题最合适的答案。 C：贝叶斯决策 贝叶斯决策理论是基于最小化风险或损失函数的决策框架，侧重于在已知概率分布的前提下做出最优分类或决策。它并不直接解决数据缺失条件下的参数学习问题。 D：贝叶斯分类器 贝叶斯分类器（如朴素贝叶斯）是一种基于贝叶斯定理的分类模型，用于在给定特征条件下预测类别标签。尽管它可以结合先验知识处理不确定性，但其本身不是为处理属性值缺失而设计的算法，除非与其它机制（如EM）结合使用。 核心知识点讲解： EM算法适用于存在隐变量或缺失数据的情形，通过迭代优化观测数据的对数似然函数来估计模型参数。其理论基础是将不完全数据的似然函数转化为包含隐变量的联合分布，并通过交替执行E步和M步逼近极大似然估计。常见应用包括高斯混合模型、隐马尔可夫模型等。 综上所述，在存在属性变量值未知的不完整训练样本情况下，应采用EM算法进行参数估计。 正确答案：B