這篇討論使用期望最大化算法(Expectation-Maximization)來進行密度估計(density estimation)。
與k-means一樣,給定的訓練樣本是,我們將隱含類別標籤用表示。與k-means的硬指定不同,我們首先認爲是滿足一定的概率分佈的,這裏我們認爲滿足多項式分佈,,其中,有k個值{1,…,k}可以選取。而且我們認爲在給定後,滿足多值高斯分佈,即。由此可以得到聯合分佈。
整個模型簡單描述爲對於每個樣例,我們先從k個類別中按多項式分佈抽取一個,然後根據所對應的k個多值高斯分佈中的一個生成樣例,。整個過程稱作混合高斯模型。注意的是這裏的仍然是隱含隨機變量。模型中還有三個變量和。最大似然估計爲。對數化後如下:
這個式子的最大值是不能通過前面使用的求導數爲0的方法解決的,因爲求的結果不是close form。但是假設我們知道了每個樣例的,那麼上式可以簡化爲:
就是樣本類別中的比率。是類別爲j的樣本特徵均值,是類別爲j的樣例的特徵的協方差矩陣。
實際上,當知道後,最大似然估計就近似於高斯判別分析模型(Gaussian discriminant analysis model)了。所不同的是GDA中類別y是伯努利分佈,而這裏的z是多項式分佈,還有這裏的每個樣例都有不同的協方差矩陣,而GDA中認爲只有一個。
之前我們是假設給定了,實際上是不知道的。那麼怎麼辦呢?考慮之前提到的EM的思想,第一步是猜測隱含類別變量z,第二步是更新其他參數,以獲得最大的最大似然估計。用到這裏就是:
循環下面步驟,直到收斂: { (E步)對於每一個i和j,計算 (M步),更新參數: } |
在E步中,我們將其他參數看作常量,計算的後驗概率,也就是估計隱含類別變量。估計好後,利用上面的公式重新計算其他參數,計算好後發現最大化最大似然估計時,值又不對了,需要重新計算,周而復始,直至收斂。
這個式子利用了貝葉斯公式。
對比K-means可以發現,這裏使用了“軟”指定,爲每個樣例分配的類別是有一定的概率的,同時計算量也變大了,每個樣例i都要計算屬於每一個類別j的概率。與K-means相同的是,結果仍然是局部最優解。對其他參數取不同的初始值進行多次計算不失爲一種好方法。
雖然之前再K-means中定性描述了EM的收斂性,仍然沒有定量地給出,還有一般化EM的推導過程仍然沒有給出。下一篇着重介紹這些內容。
上面提到的混合高斯模型的參數和計算公式都是根據很多假定得出的,有些沒有說明來由。爲了簡單,這裏在M步只給出和的推導方法。
E步很簡單,按照一般EM公式得到:
簡單解釋就是每個樣例i的隱含類別爲j的概率可以通過後驗概率計算得到。
等於0時,得到
在和確定後,分子上面的一串都是常數了,實際上需要優化的公式是:
這個優化問題我們很熟悉了,直接構造拉格朗日乘子。
求導得,
等於0,得到
的推導也類似,不過稍微複雜一些,畢竟是矩陣。結果在之前的混合高斯模型中已經給出。
轉自:http://www.cnblogs.com/jerrylead/archive/2011/04/06/2006924.html