简单易学的机器学习算法——EM算法
2015-06-12 14:30
309 查看
一、机器学习中的参数估计问题
在前面的博文中,如“简单易学的机器学习算法——Logistic回归”中,采用了极大似然函数对其模型中的参数进行估计,简单来讲即对于一系列样本,Logistic回归问题属于监督型学习问题,样本中含有训练的特征
以及标签
,在Logistic回归的参数求解中,通过构造样本属于类别
和类别
的概率:
这样便能得到Logistic回归的属于不同类别的概率函数:
此时,使用极大似然估计便能够估计出模型中的参数。但是,如果此时的标签
是未知的,称为隐变量,如无监督的学习问题,典型的如K-Means聚类算法,此时不能直接通过极大似然估计估计出模型中的参数。
二、EM算法简介
在上述存在隐变量的问题中,不能直接通过极大似然估计求出模型中的参数,EM算法是一种解决存在隐含变量优化问题的有效方法。EM算法是期望极大(ExpectationMaximization)算法的简称,EM算法是一种迭代型的算法,在每一次的迭代过程中,主要分为两步:即求期望(Expectation)步骤和最大化(Maximization)步骤。
三、EM算法推导的准备
1、凸函数
设是定义在实数域上的函数,如果对于任意的实数
,都有
那么
是凸函数。若
不是单个实数,而是由实数组成的向量,此时,如果函数
的Hesse矩阵
是半正定的,即
那么
是凸函数。特别地,如果
或者
,那么称
为严格凸函数。
2、Jensen不等式
如果函数是凸函数,
是随机变量,那么
特别地,如果函数
是严格凸函数,那么
当且仅当
即随机变量
是常量。
(图片来自参考文章1)
注:若函数
是凹函数,上述的符号相反。
3、数学期望
3.1随机变量的期望
设离散型随机变量的概率分布为:
其中,
,如果
绝对收敛,则称
为
的数学期望,记为
,即:
若连续型随机变量
的概率密度函数为
,则数学期望为:
3.2随机变量函数的数学期望
设是随机变量
的函数,即
,若
是离散型随机变量,概率分布为:
则:
若
是连续型随机变量,概率密度函数为
,则
四、EM算法的求解过程
假设表示观测变量,
表示潜变量,则此时
即为完全数据,
的似然函数为
,其中,
为需要估计的参数,那么对于完全数据,
的似然函数为
。
构建好似然函数,对于给定的观测数据,为了估计参数
,我们可以使用极大似然估计的方法对其进行估计。因为变量
是未知的,我们只能对
的似然函数为
进行极大似然估计,即需要极大化:
上述式子中无法直接对
求极大值,因为在函数中存在隐变量
,即未知变量。若此时,我们能够确定隐变量
的值,便能够求出
的极大值,可以用过不断的修改隐变量
的值,得到新的
的极大值。这便是EM算法的思路。通过迭代的方式求出参数
。
首先我们需要对参数
赋初值,进行迭代运算,假设第
次迭代后参数
的值为
,此时的log似然函数为
,即:
在上式中,第二行到第三行使用到了Jensen不等式,由于log函数是凹函数,由Jensen不等式得到:
而
表示的是
的期望,其中,
表示的是隐变量
满足的某种分布。这样,上式
的值取决于
和
的概率。在迭代的过程中,调整这两个概率,使得下界不断的上升,这样就能求得
的极大值。注意,当等式成立时,说明此时已经等价于
。由Jensen不等式可知,等式成立的条件是随机变量是常数,即:
已知:
所以:
则:
至此,我们得出了隐变量
满足的分布的形式
。这就是EM算法中的E步。在确定了
后,调整参数
使得
取得极大,这便是M步。EM算法的步骤为:
初始化参数
,开始迭代;
E步:假设
为第
次迭代参数
的估计值,则在第
次迭代中,计算
:
M步:求使
极大化的
,确定第
次的参数的估计值
:
五、EM算法的收敛性保证
迭代的过程能否保证最后找到的就是最大的似然函数值呢?即需要证明在整个迭代的过程中,极大似然估计是单调增加的。假定和
是EM算法的第
次和第
次迭代后的结果,选定
,进行迭代:
E步:
M步:
固定
,将
看成变量:
上式中,第一个大于等于是因为:
六、利用EM算法参数求解实例
假设有有一批数据分别是由两个正态分布:
产生,其中,
和
未知,
。但是不知道具体的
是第产生,即可以使用
和
表示。这是一个典型的涉及到隐藏变量的例子,隐藏变量为
和
。可以使用EM算法对参数进行估计。
首先是初始化
和
;
E步:
,即求数据
是由第
个分布产生的概率:
M步:
,即计算最大的期望值。然而我们要求的参数是均值,可以通过如下的方式估计:
Python代码
#coding:UTF-8 ''' Created on 2015年6月7日 @author: zhaozhiyong ''' from __future__ import division from numpy import * import math as mt #首先生成一些用于测试的样本 #指定两个高斯分布的参数,这两个高斯分布的方差相同 sigma = 6 miu_1 = 40 miu_2 = 20 #随机均匀选择两个高斯分布,用于生成样本值 N = 1000 X = zeros((1, N)) for i in xrange(N): if random.random() > 0.5:#使用的是numpy模块中的random X[0, i] = random.randn() * sigma + miu_1 else: X[0, i] = random.randn() * sigma + miu_2 #上述步骤已经生成样本 #对生成的样本,使用EM算法计算其均值miu #取miu的初始值 k = 2 miu = random.random((1, k)) #miu = mat([40.0, 20.0]) Expectations = zeros((N, k)) for step in xrange(1000):#设置迭代次数 #步骤1,计算期望 for i in xrange(N): #计算分母 denominator = 0 for j in xrange(k): denominator = denominator + mt.exp(-1 / (2 * sigma ** 2) * (X[0, i] - miu[0, j]) ** 2) #计算分子 for j in xrange(k): numerator = mt.exp(-1 / (2 * sigma ** 2) * (X[0, i] - miu[0, j]) ** 2) Expectations[i, j] = numerator / denominator #步骤2,求期望的最大 #oldMiu = miu oldMiu = zeros((1, k)) for j in xrange(k): oldMiu[0, j] = miu[0, j] numerator = 0 denominator = 0 for i in xrange(N): numerator = numerator + Expectations[i, j] * X[0, i] denominator = denominator + Expectations[i, j] miu[0, j] = numerator / denominator #判断是否满足要求 epsilon = 0.0001 if sum(abs(miu - oldMiu)) < epsilon: break print step print miu print miu
最终结果
[[ 40.49487592 19.96497512]]
参考文章:
1、(EM算法)The EM
Algorithm (http://www.cnblogs.com/jerrylead/archive/2011/04/06/2006936.html)
2、数学期望(http://wenku.baidu.com/view/915a9c1ec5da50e2524d7f08.html?re=view)
相关文章推荐
- 【Java 安全技术探索之路系列:J2SE安全架构】之二:安全管理器
- 微信公众平台-超级大赛问题汇总1
- 替换图片路径
- spring mvc EL ModelAndView的 Model 值 在jsp中不显示
- YII2-数据库数据查询方法,关联查询with, joinWith区别和分页
- 新浪IP库地址
- 《C#程序设计》第五次作业:开源项目“网页正文提取”的案例分析
- springmvc处理日期格式
- HBase的SHELL操作和API
- 尾调用
- CSS抗锯齿 font-smoothing
- C#调用存储过程
- JavaScript面向对象编程——构造函数继承
- mysql关键字distinct笔记
- 英文Windows2008服务器系统汉化
- 在FastReport中设置上下标
- win8 64位系统下破解loadrunner11失败
- html table表数据转Json格式
- 【BZOJ3450】【Tyvj1952】Easy 概率DP
- 一个误解: 单个服务器程序可承受最大连接数“理论”上是“65535”