當我們要建立貝葉斯網絡時，需要首先通過因果關系得到貝葉斯的網絡結構，再訓練得到貝葉斯網的參數集。這里，參數集往往是通過給定數據集進行統計計算得到，但是，有的時候，給定的數據集不一定是完整的，可能某一條或多條的數據缺失一個或兩個數據。
這是需要我們在數據缺失的情況下計算參數集，當然最簡單的方法是去掉具有缺失數據的行，這樣顯然在數據集較小的時候會造成參數集的嚴重不准確。
在貝葉斯引論那本書中提到要用EM算法來解決這個問題。其實EM算法就是最大化期望值算法，這個過程中我們計算在某隨機參數情況下的最大似然值，然后根據此似然值對參數值進行了修正，再次計算極大似然值，不斷迭代，知道計算得到的值在可接受的閥值范圍內。
下面來說一下，他是咋實現的。
首先，輸入數據是貝葉斯網絡結構、缺失的數據集、收斂閥值
1、設初始迭代次數為0，網絡參數為任意值。收斂閥值a
2、根據貝葉斯估計公式計算網絡參數的似然值。
其中：
這里面最值注意的是，在計算
的時候一定要進行進行一下歸一化才能得到真正的結果哦。
進入循環體：
a、用oldscore記錄似然值。
b、計算
（E步驟）
c、計算
的最大值，即“最大似然”撒（M步驟）
d、此時，得到了newScore，比較newScore和oldscore，如果在收斂閥值內，則迭代結束，newscore就是最終結果。否則，使用oldscore記錄newscore，迭代次數加一，繼續迭代。
在書中他還介紹了，使用團樹傳播方法來簡化計算過程。后面再記錄。流程。
這個算法可以將參數和缺失數據同時計算出來，雖然對方也不清楚他們要什么，但是跑不出這兩個。