什么都不要想，先來感受一個例子：

公司有男同事=[A，B，C]，同時有很多漂亮的女職員=[小甲，小章，小乙]。（請勿對號入座）你迫切的懷疑這些男同事跟這些女職員有“問題”。為了科學(xué)的驗證你的猜想，你進行了細致的觀察。于是：

觀察數(shù)據(jù)：

• 1、A，小甲、小乙一起出門了；
• 2、B，小甲、小章一起出門了；
• 3、B，小章、小乙一起出門了；
• 4、C，小乙一起出門了；

收集到了數(shù)據(jù)，你開始了神秘的EM計算。

初始化：你覺得三個同事一樣帥，一樣有錢，三個美女一樣漂亮，每個人都可能跟每個人有關(guān)系。所以，每個男同事跟每個女職員“有問題”的概率都是1/3;

EM算法中的E步驟：

• 1、A跟小甲出去過了 1/2 * 1/3 = 1/6 次，跟小乙也出去了1/6次；
• 2、B跟小甲，小章也都出去了1/6次；
• 3、B跟小乙，小章又出去了1/6次；
• 4、C跟小乙出去了1/3次；

總計：

• A跟小甲出去了1/6次，跟小乙也出去了1/6次 ;
• B跟小甲，小乙出去了1/6次，跟小章出去了1/3次；
• C跟小乙出去了1/3。

EM算法中的M步驟 - 你開始更新你的八卦：

• A跟小甲，小乙有問題的概率都是1/6 / (1/6 + 1/6) = 1/2；
• B跟小甲，小乙有問題的概率是1/6 / (1/6+1/6+1/6+1/6) = 1/4;
• B跟小章有問題的概率是(1/6+1/6)/(1/6 * 4) = 1/2;
• C跟小乙有問題的概率是1。

EM算法中的E步驟 - 然后你又開始根據(jù)最新的概率計算了。

• 1、A跟小甲出去了 1/2 * 1/2 = 1/4 次，跟小乙也出去 1/4 次；
• 2、B跟小甲出去了1/2 * 1/4 = 1/8 次， 跟小章出去了 1/2 * 1/2 = 1/4 次；
• 3、B跟小乙出去了1/2 * 1/4 = 1/8 次， 跟小章又出去了 1/2 * 1/2 = 1/4 次；
• 4、C跟小乙出去了1次；

EM算法中的M步驟 - 重新反思你的八卦：

• A跟小甲，小乙有問題的概率都是1/4/ (1/4 + 1/4) = 1/2；
• B跟小甲，小乙是 1/8 / (1/8 + 1/4 + 1/4 + 1/8) = 1/6 ;
• B跟小章是 2/3 ;
• C跟小乙的概率是1。

你繼續(xù)計算，反思，總之，最后，你得到了真相。

通過上面的計算我們可以得知，EM算法實際上是一個不停迭代計算的過程，根據(jù)我們事先估計的先驗概率A，得出一個結(jié)果B，再根據(jù)結(jié)果B，再計算得到結(jié)果A，然后反復(fù)直到這個過程收斂。

可以想象飯店的后方大廚，炒了兩盤一樣的菜，現(xiàn)在，菜炒好后從鍋中倒入盤，不可能一下子就分配均勻，所以先往兩盤中倒入，然后發(fā)現(xiàn)B盤菜少了，就從A中勻出一些，A少了，從B勻.....

EM算法

EM算法（Expectation Maximization Algorithm，最大期望算法）是一種迭代類型的算法，是一種在概率模型中尋找參數(shù)最大似然估計或者最大后驗估計的算法，其中概率模型依賴于無法觀測的隱藏變量。

EM算法流程：

• 初始化分布參數(shù)
• 重復(fù)下列兩個操作直到收斂：
• E步驟：估計隱藏變量的概率分布期望函數(shù)
• M步驟：根據(jù)期望函數(shù)重新估計分布參數(shù)

EM算法原理：

給定的m個訓(xùn)練樣本?，樣本間獨立，找出樣本的模型參數(shù) θ ，極大化模型分布的對數(shù)似然函數(shù)如下：

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??

假定樣本數(shù)據(jù)中存在隱含數(shù)據(jù)??，此時極大化模型分布的對數(shù)似然函數(shù)如下：
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??

令z的分布為 Q(z;θ) ，并且 Q(z;θ)≥0 ，那么有如下公式：

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?

Jensen不等式：

如果函數(shù)f為凸函數(shù)，那么存在下列公式：

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?

如下圖所示：

若??則

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??

根據(jù)Jensen不等式的特性，當下列式子的值為常數(shù)的時候，l(θ) 函數(shù)才能取等號。

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??

EM算法流程：

樣本數(shù)據(jù)??，聯(lián)合分布 ?，條件分布，最大迭代次數(shù)J。

隨機初始化模型參數(shù)θ的初始值

開始EM算法的迭代處理：

E步：計算聯(lián)合分布的條件概率期望

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?

M步：極大化L函數(shù)，得到?
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??

如果??已經(jīng)收斂，則算法結(jié)束，輸出最終的模型參數(shù)θ ，否則繼續(xù)迭代處理

EM算法收斂證明

EM算法的收斂性只要我們能夠證明對數(shù)似然函數(shù)的值在迭代的過程中是增加的即可，即證明下式成立：

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?

證明過程如下：

? ? ? ? ? ? ? ?

?

高斯混合模型

GMM（Gaussian Mixture Model，高斯混合模型）是指該算法由多個高斯模型線性疊加混合而成。每個高斯模型稱之為component。GMM算法描述的是數(shù)據(jù)的本身存在的一種分布。

GMM算法常用于聚類應(yīng)用中，component的個數(shù)就可以認為是類別的數(shù)量。

假定GMM由k個Gaussian分布線性疊加而成，那么概率密度函數(shù)如下：

對數(shù)似然函數(shù)：

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?

E step：

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?
?

M step：

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?
?

對均值求偏導(dǎo)：

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?

對方差求偏導(dǎo)：

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??

對概率使用拉格朗日乘子法求解：

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ??

總結(jié)

以上是生活随笔為你收集整理的机器学习之 EM的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。