【machine learning】GMM算法（Python版）

本文参考CSDN大神的博文，并在讲述中引入自己的理解，纯粹理清思路，并将代码改为了Python版本。（在更改的过程中，一方面理清自己对GMM的理解，一方面学习了numpy的应用，不过也许是Python粉指数超标才觉得有必要改(⊙o⊙)）

一、GMM模型

事实上，GMM 和 k-means 很像，不过 GMM 是学习出一些概率密度函数来（所以 GMM 除了用在 clustering 上之外，还经常被用于 density estimation ），简单地说，k-means 的结果是每个数据点被 assign 到其中某一个 cluster 了，而 GMM 则给出这些数据点被 assign 到每个 cluster 的概率，又称作 soft assignment 。

得出一个概率有很多好处，因为它的信息量比简单的一个结果要多，比如，我可以把这个概率转换为一个 score ，表示算法对自己得出的这个结果的把握，参考pluskid大神博文

也许我可以对同一个任务，用多个方法得到结果，最后选取“把握”最大的那个结果；

另一个很常见的方法是在诸如疾病诊断之类的场所，机器对于那些很容易分辨的情况（患病或者不患病的概率很高）可以自动区分，而对于那种很难分辨的情况，比如，49% 的概率患病，51% 的概率正常，如果仅仅简单地使用 50% 的阈值将患者诊断为“正常”的话，风险是非常大的，因此，在机器对自己的结果把握很小的情况下，会“拒绝发表评论”，而把这个任务留给有经验的医生去解决。

每个GMM由K个Gaussian分布组成，每个Gaussian称为一个“Component”，这些Component 线性加成在一起就组成了GMM 的概率密度函数：



根据上面的式子，如果我们要从 GMM 的分布中随机地取一个点的话，实际上可以分为两步：首先随机地在这 K个Gaussian Component 之中选一个，每个 Component 被选中的概率实际上就是它的系数 pi(k) ，选中了 Component 之后，再单独地考虑从这个 Component 的分布中选取一个点就可以了──这里已经回到了普通的 Gaussian 分布，转化为了已知的问题。

那么如何用 GMM 来做 clustering 呢？其实很简单，现在我们有了数据，假定它们是由 GMM 生成出来的，那么我们只要根据数据推出 GMM 的概率分布来就可以了，然后 GMM 的 K 个 Component 实际上就对应了 K 个 cluster 了。根据数据来推算概率密度通常被称作 density estimation ，特别地，当我们在已知（或假定）了概率密度函数的形式，而要估计其中的参数的过程被称作“参数估计”。

二、参数与似然函数

现在假设我们有 N 个数据点，并假设它们服从某个分布（记作 p(x)），现在要确定里面的一些参数的值，例如，在 GMM 中，我们就需要确定 影响因子pi(k)、各类均值pMiu(k) 和 各类协方差pSigma(k) 这些参数。 我们的想法是，找到这样一组参数，它所确定的概率分布生成这些给定的数据点的概率最大，而这个概率实际上就等于 ，我们把这个乘积称作似然函数 (Likelihood Function)。通常单个点的概率都很小，许多很小的数字相乘起来在计算机里很容易造成浮点数下溢，因此我们通常会对其取对数，把乘积变成加和∑Ni=1logp(xi)\sum_{i=1}^N \log p(x_i)，得到log-likelihood function 。接下来我们只要将这个函数最大化（通常的做法是求导并令导数等于零，然后解方程），亦即找到这样一组参数值，它让似然函数取得最大值，我们就认为这是最合适的参数，这样就完成了参数估计的过程。

下面让我们来看一看 GMM 的 log-likelihood function ：



由于在对数函数里面又有加和，我们没法直接用求导解方程的办法直接求得最大值。为了解决这个问题，我们采取之前从 GMM 中随机选点的办法：分成两步，实际上也就类似于K-means 的两步。

三、算法流程

1、估计数据由每个 Component 生成的概率（并不是每个 Component 被选中的概率）：对于每个数据 xix_i 来说，它由第 k 个 Component 生成的概率为



其中N（xi|μk,Σk）就是后验概率


2、通过极大似然估计可以通过求到令参数=0得到参数pMiu，pSigma的值。



其中 Nk=∑Ni=1γ(i,k)N_k = \sum_{i=1}^N \gamma(i, k) ，并且 πk\pi_k也顺理成章地可以估计为 Nk/NN_k/N(这里的顺理成章要考证起来有很多要说)

3、重复迭代前面两步，直到似然函数的值收敛为止。

声明：这里完全可以对照EM算法的两步走，对应关系如下：

均值和方差对应θ

Component 生成的概率为隐藏变量

最大似然函数L(θ)=

四、GMM聚类代码

GMM.py

#! /usr/bin/env python
#coding=utf-8

from numpy import *
import pylab
import random,math

def loadDataSet(fileName):      #general function to parse tab -delimited floats
dataMat = []                #assume last column is target value
fr = open(fileName)
for line in fr.readlines():
curLine = line.strip().split('\t')
fltLine = map(float,curLine) #map all elements to float()
dataMat.append(fltLine)
return dataMat

def gmm(file, K_or_centroids):
# ============================================================
# Expectation-Maximization iteration implementation of
# Gaussian Mixture Model.
#
# PX = GMM(X, K_OR_CENTROIDS)
# [PX MODEL] = GMM(X, K_OR_CENTROIDS)
#
#  - X: N-by-D data matrix.
#  - K_OR_CENTROIDS: either K indicating the number of
#       components or a K-by-D matrix indicating the
#       choosing of the initial K centroids.
#
#  - PX: N-by-K matrix indicating the probability of each
#       component generating each point.
#  - MODEL: a structure containing the parameters for a GMM:
#       MODEL.Miu: a K-by-D matrix.
#       MODEL.Sigma: a D-by-D-by-K matrix.
#       MODEL.Pi: a 1-by-K vector.
# ============================================================
## Generate Initial Centroids
threshold = 1e-15
dataMat = mat(loadDataSet(file))
[N, D] = shape(dataMat)
K_or_centroids = 2
# K_or_centroids可以是一个整数，也可以是k个质心的二维列向量
if shape(K_or_centroids)==(): #if K_or_centroid is a 1*1 number
K = K_or_centroids
Rn_index = range(N)
random.shuffle(Rn_index) #random index N samples
centroids = dataMat[Rn_index[0:K], :]; #generate K random centroid
else: # K_or_centroid is a initial K centroid
K = size(K_or_centroids)[0];
centroids = K_or_centroids;

## initial values
[pMiu,pPi,pSigma] = init_params(dataMat,centroids,K,N,D)
Lprev = -inf #上一次聚类的误差

# EM Algorithm
while True:
# Estimation Step
Px = calc_prob(pMiu,pSigma,dataMat,K,N,D)

# new value for pGamma(N*k), pGamma(i,k) = Xi由第k个Gaussian生成的概率
# 或者说xi中有pGamma(i,k)是由第k个Gaussian生成的
pGamma = mat(array(Px) * array(tile(pPi, (N, 1))))  #分子 = pi(k) * N(xi | pMiu(k), pSigma(k))
pGamma = pGamma / tile(sum(pGamma, 1), (1, K)) #分母 = pi(j) * N(xi | pMiu(j), pSigma(j))对所有j求和

## Maximization Step - through Maximize likelihood Estimation
#print 'dtypeddddddddd:',pGamma.dtype
Nk = sum(pGamma, 0) #Nk(1*k) = 第k个高斯生成每个样本的概率的和，所有Nk的总和为N。

# update pMiu
pMiu = mat(diag((1/Nk).tolist()[0])) * (pGamma.T) * dataMat #update pMiu through MLE(通过令导数 = 0得到)
pPi = Nk/N

# update k个 pSigma
print 'kk=',K
for kk in range(K):
Xshift = dataMat-tile(pMiu[kk], (N, 1))

Xshift.T * mat(diag(pGamma[:, kk].T.tolist()[0])) *  Xshift / 2

pSigma[:, :, kk] = (Xshift.T * \
mat(diag(pGamma[:, kk].T.tolist()[0])) * Xshift) / Nk[kk]

# check for convergence
L = sum(log(Px*(pPi.T)))
if L-Lprev < threshold:
break
Lprev = L

return Px

def init_params(X,centroids,K,N,D):
pMiu = centroids #k*D, 即k类的中心点
pPi = zeros([1, K]) #k类GMM所占权重（influence factor）
pSigma = zeros([D, D, K]) #k类GMM的协方差矩阵，每个是D*D的

# 距离矩阵，计算N*K的矩阵（x-pMiu）^2 = x^2+pMiu^2-2*x*Miu
#x^2, N*1的矩阵replicateK列\#pMiu^2，1*K的矩阵replicateN行
distmat = tile(sum(power(X,2), 1),(1, K)) + \
tile(transpose(sum(power(pMiu,2), 1)),(N, 1)) -  \
2*X*transpose(pMiu)
labels = distmat.argmin(1) #Return the minimum from each row

# 获取k类的pPi和协方差矩阵
for k in range(K):
boolList = (labels==k).tolist()
indexList = [boolList.index(i) for i in boolList if i==[True]]
Xk = X[indexList, :]
#print cov(Xk)
# 也可以用shape(XK)[0]
pPi[0][k] = float(size(Xk, 0))/N
pSigma[:, :, k] = cov(transpose(Xk))

return pMiu,pPi,pSigma

# 计算每个数据由第k类生成的概率矩阵Px
def calc_prob(pMiu,pSigma,X,K,N,D):
# Gaussian posterior probability
# N(x|pMiu,pSigma) = 1/((2pi)^(D/2))*(1/(abs(sigma))^0.5)*exp(-1/2*(x-pMiu)'pSigma^(-1)*(x-pMiu))
Px = mat(zeros([N, K]))
for k in range(K):
Xshift = X-tile(pMiu[k, :],(N, 1)) #X-pMiu
#inv_pSigma = mat(pSigma[:, :, k]).I
inv_pSigma = linalg.pinv(mat(pSigma[:, :, k]))

tmp = sum(array((Xshift*inv_pSigma)) * array(Xshift), 1) # 这里应变为一列数
tmp = mat(tmp).T
#print linalg.det(inv_pSigma),'54545'

Sigema = linalg.det(mat(inv_pSigma))

if Sigema < 0:
Sigema=0

coef = power((2*(math.pi)),(-D/2)) * sqrt(Sigema)
Px[:, k] = coef * exp(-0.5*tmp)
return Px

main.py

#! /usr/bin/env python
#coding=utf-8

import GMM
'''
def showFigure(dataMat,k,clusterAssment):

tag=['go','or','yo','ko']
for i in range(k):

datalist = dataMat[nonzero(clusterAssment[:,0].A==i)[0]]
pylab.plot(datalist[:,0],datalist[:,1],tag[i])
pylab.show()
'''
if __name__ == '__main__':
GMM.gmm('testSet.txt',2)

说明：

程序由matlab代码改过了，利用了numpy库的函数，需要下载软件可参考链接

其中的分析数据源我用了KMeans算法中的数据，不过遇到了奇异矩阵的问题（因为数据分布本来就有悖于高斯分布），即使用了伪逆也没解决问题，看之后学习能否回头再解决。也可查看博文评论围观别人的解决方法

matlab在矩阵的处理上的确优于Python太多了，一方面不用导入库，也没有存在array,mat等类的转换和众多函数的比较和考虑。不过Python综合应用多，上至Web下至PC，从测试到开发都有很多人用，相比matlab还是做测试多一点。