混合高斯模型(Mixtures of Gaussians)和EM算法
2015-08-10 16:05
267 查看
与k-means一样,给定的训练样本是
,我们将隐含类别标签用
表示。与k-means的硬指定不同,我们首先认为
是满足一定的概率分布的,这里我们认为满足多项式分布,
,其中
,
有k个值{1,…,k}可以选取。而且我们认为在给定
后,
满足多值高斯分布,即
。由此可以得到联合分布
。
整个模型简单描述为对于每个样例
,我们先从k个类别中按多项式分布抽取一个
,然后根据
所对应的k个多值高斯分布中的一个生成样例
,。整个过程称作混合高斯模型。注意的是这里的
仍然是隐含随机变量。模型中还有三个变量
和
。最大似然估计为
。对数化后如下:
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
,那么上式可以简化为:
这时候我们再来对
和
进行求导得到:
就是样本类别中
的比率。
是类别为j的样本特征均值,
是类别为j的样例的特征的协方差矩阵。
实际上,当知道
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
,实际上
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:
在E步中,我们将其他参数
看作常量,计算
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,
值又不对了,需要重新计算,周而复始,直至收敛。
的具体计算公式如下:
这个式子利用了贝叶斯公式。
这里我们使用
代替了前面的
,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
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。
,我们将隐含类别标签用
表示。与k-means的硬指定不同,我们首先认为
是满足一定的概率分布的,这里我们认为满足多项式分布,
,其中
,
有k个值{1,…,k}可以选取。而且我们认为在给定
后,
满足多值高斯分布,即
。由此可以得到联合分布
。
整个模型简单描述为对于每个样例
,我们先从k个类别中按多项式分布抽取一个
,然后根据
所对应的k个多值高斯分布中的一个生成样例
,。整个过程称作混合高斯模型。注意的是这里的
仍然是隐含随机变量。模型中还有三个变量
和
。最大似然估计为
。对数化后如下:
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
,那么上式可以简化为:
这时候我们再来对
和
进行求导得到:
就是样本类别中
的比率。
是类别为j的样本特征均值,
是类别为j的样例的特征的协方差矩阵。
实际上,当知道
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
,实际上
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 (M步),更新参数: } |
看作常量,计算
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,
值又不对了,需要重新计算,周而复始,直至收敛。
的具体计算公式如下:
这个式子利用了贝叶斯公式。
这里我们使用
代替了前面的
,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
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。
相关文章推荐
- hdu5353 Average
- 栈的顺序存储结构
- hdu 1028 Ignatius and the Princess III +hdu 1085 Holding Bin-Laden Captive!(母函数)
- nginx + unicorn 配置
- 76 php 页面数据格式化
- 关于升级Xcode版本后插件不能用的问题解决
- js常用正则表达式
- TCP echo demo
- myeclipse安装SVN插件
- java的变量和方法,实例化new
- IOS-开发小记 填坑之旅
- URAL 1519 基础插头DP
- sts 框架新建以及 网站部署
- 二叉树
- sql优化
- python装饰器
- POJ 题目3667 Hotel(线段树,区间更新查询,求连续区间)
- 邻接表存储解释
- 手写邻接表
- WinCE 背光调节