混合高斯模型和EM算法

这篇讨论使用期望最大化算法(Expectation-Maximization)来进行密度估计(density estimation)。

与k-means一样,给定的训练样本是混合高斯模型和EM算法,我们将隐含类别标签用混合高斯模型和EM算法表示。与k-means的硬指定不同,我们首先认为混合高斯模型和EM算法是满足一定的概率分布的,这里我们认为满足多项式分布,混合高斯模型和EM算法,其中混合高斯模型和EM算法混合高斯模型和EM算法有k个值{1,…,k}可以选取。而且我们认为在给定混合高斯模型和EM算法后,混合高斯模型和EM算法满足多值高斯分布,即混合高斯模型和EM算法。由此可以得到联合分布混合高斯模型和EM算法

整个模型简单描述为对于每个样例混合高斯模型和EM算法,我们先从k个类别中按多项式分布抽取一个混合高斯模型和EM算法,然后根据混合高斯模型和EM算法所对应的k个多值高斯分布中的一个生成样例混合高斯模型和EM算法,。整个过程称作混合高斯模型。注意的是这里的混合高斯模型和EM算法仍然是隐含随机变量。模型中还有三个变量混合高斯模型和EM算法混合高斯模型和EM算法。最大似然估计为混合高斯模型和EM算法。对数化后如下:

混合高斯模型和EM算法

这个式子的最大值是不能通过前面使用的求导数为0的方法解决的,因为求的结果不是close form。但是假设我们知道了每个样例的混合高斯模型和EM算法,那么上式可以简化为:

混合高斯模型和EM算法

这时候我们再来对混合高斯模型和EM算法混合高斯模型和EM算法进行求导得到:

混合高斯模型和EM算法

混合高斯模型和EM算法就是样本类别中混合高斯模型和EM算法的比率。混合高斯模型和EM算法是类别为j的样本特征均值,混合高斯模型和EM算法是类别为j的样例的特征的协方差矩阵。

实际上,当知道混合高斯模型和EM算法后,最大似然估计就近似于高斯判别分析模型(Gaussian discriminant analysis model)了。所不同的是GDA中类别y是伯努利分布,而这里的z是多项式分布,还有这里的每个样例都有不同的协方差矩阵,而GDA中认为只有一个。

之前我们是假设给定了混合高斯模型和EM算法,实际上混合高斯模型和EM算法是不知道的。那么怎么办呢?考虑之前提到的EM的思想,第一步是猜测隐含类别变量z,第二步是更新其他参数,以获得最大的最大似然估计。用到这里就是:

循环下面步骤,直到收敛: {

(E步)对于每一个i和j,计算

混合高斯模型和EM算法

(M步),更新参数:

混合高斯模型和EM算法

}

在E步中,我们将其他参数混合高斯模型和EM算法看作常量,计算混合高斯模型和EM算法的后验概率,也就是估计隐含类别变量。估计好后,利用上面的公式重新计算其他参数,计算好后发现最大化最大似然估计时,混合高斯模型和EM算法值又不对了,需要重新计算,周而复始,直至收敛。

混合高斯模型和EM算法的具体计算公式如下:

混合高斯模型和EM算法

这个式子利用了贝叶斯公式。

这里我们使用混合高斯模型和EM算法代替了前面的混合高斯模型和EM算法,由简单的0/1值变成了概率值。

对比K-means可以发现,这里使用了“软”指定,为每个样例分配的类别混合高斯模型和EM算法是有一定的概率的,同时计算量也变大了,每个样例i都要计算属于每一个类别j的概率。与K-means相同的是,结果仍然是局部最优解。对其他参数取不同的初始值进行多次计算不失为一种好方法。

虽然之前再K-means中定性描述了EM的收敛性,仍然没有定量地给出,还有一般化EM的推导过程仍然没有给出。下一篇着重介绍这些内容。

上一篇:mysql 自带的压力测试


下一篇:Qt 学习之路:QFileSystemModel