EM算法推导以及在高斯混合模型中的应用(详细)
文章目录
- EM算法的导出
- EM算法的收敛性
- EM算法在高斯混合模型中的应用
- 高斯混合模型
- 高斯混合模型参数估计的EM算法
- 算法步骤
- 算法推导
- 以一维情形为例p=1
参考教材:《统计学习方法》第二版——李航
EM算法的导出
EM算法通过不断求解下界函数的极大值来逼近求解对数似然函数的最大。
- 大致推导:
设一个含有隐变量Z的概率模型,对应有观测数据Y和待求解参数 θ \theta θ。现在的目标是最大化关于参数 θ \theta θ的对数似然函数,即:
L ( θ ) = l o g P ( Y ∣ θ ) = l o g ∑ Z P ( Y , Z ∣ θ ) = l o g ( ∑ Z P ( Y ∣ Z , θ ) P ( Z ∣ θ ) ) (1) L(\theta)=logP(Y|\theta)=log\sum_ZP(Y,Z|\theta)=log(\sum_Z P(Y|Z,\theta)P(Z|\theta)) \tag{1} L(θ)=logP(Y∣θ)=logZ∑P(Y,Z∣θ)=log(Z∑P(Y∣Z,θ)P(Z∣θ))(1)
极大化上式的困难在于最右边的式子中含有和(Z离散情况是和,连续情况下是积分)的对数形式。
EM算法考虑构造(1)中右侧式子的下界来逼近它,从而在不断的迭代逼近中达到一个较好的效果。
假设 θ i \theta_i θi是在第i次迭代得到的参数估计值。希望新的估计值 θ \theta θ能使得 L ( θ ) > L ( θ i ) L(\theta)>L(\theta_i) L(θ)>L(θi).考虑:
L ( θ ) − L ( θ i ) = l o g ( ∑ Z P ( Y ∣ Z , θ ) P ( Z ∣ θ ) ) − l o g P ( Y ∣ θ i ) = l o g ( ∑ Z P ( Z ∣ Y , θ i ) P ( Y ∣ Z , θ ) P ( Z ∣ θ ) ) P ( Z ∣ Y , θ i ) P ( Y ∣ θ i ) ) ≥ ∑ Z P ( Z ∣ Y , θ i ) l o g P ( Y ∣ Z , θ ) P ( Z ∣ θ ) ) P ( Z ∣ Y , θ i ) P ( Y ∣ θ i ) (2) \begin{aligned} L(\theta)-L(\theta_i)&=log(\sum_Z P(Y|Z,\theta)P(Z|\theta))-logP(Y|\theta_i) \\ &=log(\sum_Z P(Z|Y,\theta_i)\frac{P(Y|Z,\theta)P(Z|\theta))}{P(Z|Y,\theta_i)P(Y|\theta_i)}) \tag{2} \\ &\ge \sum_Z P(Z|Y,\theta_i)log \frac{P(Y|Z,\theta)P(Z|\theta))}{P(Z|Y,\theta_i)P(Y|\theta_i)} \\ \end{aligned} L(θ)−L(θi)=log(Z∑P(Y∣Z,θ)P(Z∣θ))−logP(Y∣θi)=log(Z∑P(Z∣Y,θi)P(Z∣Y,θi)P(Y∣θi)P(Y∣Z,θ)P(Z∣θ)))≥Z∑P(Z∣Y,θi)logP(Z∣Y,θi)P(Y∣θi)P(Y∣Z,θ)P(Z∣θ))(2)
(2)中最后一个不等号利用到了对数函数的凹性质(或Jensen inequality),这也是(2)中第一个等式到第二个等式的推导中利用 P ( Z ∣ Y , θ i ) P(Z|Y,\theta_i) P(Z∣Y,θi)进行等价变换的原因,因为它是Z的条件概率,关于Z求和值一定为1且非负。这样就找到了对数似然函数 L ( θ ) L(\theta) L(θ)的下界:
B ( θ , θ i ) = L ( θ i ) + ∑ Z P ( Z ∣ Y , θ i ) l o g P ( Y ∣ Z , θ ) P ( Z ∣ θ ) P ( Z ∣ Y , θ i ) P ( Y ∣ θ i ) B(\theta,\theta_i)=L(\theta_i)+\sum_Z P(Z|Y,\theta_i)log \frac{P(Y|Z,\theta)P(Z|\theta)}{P(Z|Y,\theta_i)P(Y|\theta_i)} B(θ,θi)=L(θi)+∑ZP(Z∣Y,θi)logP(Z∣Y,θi)P(Y∣θi)P(Y∣Z,θ)P(Z∣θ)
并且利用条件概率计算公式可得 B ( θ i , θ i ) = L ( θ i ) B(\theta_i,\theta_i)=L(\theta_i) B(θi,θi)=L(θi),这说明 B ( θ , θ i ) B(\theta,\theta_i) B(θ,θi)是 L ( θ ) L(\theta) L(θ)的一个不错的下界,至少在 θ i \theta_i θi上二者是相等的。也就是说最大化 B ( θ , θ i ) B(\theta,\theta_i) B(θ,θi)得到的最坏的结果也不会比当前迭代中得到的 θ i \theta_i θi更差。
- Q函数的推导
Q函数其实已经求出来了,其实就是 B ( θ , θ i ) B(\theta,\theta_i) B(θ,θi),但是为了求解方便需要进一步简化。
省去 B ( θ , θ i ) B(\theta,\theta_i) B(θ,θi)中与 θ \theta θ无关的项可得:
Q ( θ , θ i ) = ∑ Z P ( Z ∣ Y , θ i ) l o g ( P ( Y ∣ Z , θ ) P ( Z ∣ θ ) ) = ∑ Z P ( Z ∣ Y , θ i ) l o g P ( Y , Z ∣ θ ) = E [ l o g P ( y , Z ∣ θ ) ∣ y , θ i ] (3) \begin{aligned} Q(\theta,\theta_i)&=\sum_Z P(Z|Y,\theta_i)log(P(Y|Z,\theta)P(Z|\theta)) \\ &=\sum_Z P(Z|Y,\theta_i)logP(Y,Z|\theta) \\ &=E[logP(y,Z|\theta)|y,\theta_i] \tag{3} \end{aligned} Q(θ,θi)=Z∑P(Z∣Y,θi)log(P(Y∣Z,θ)P(Z∣θ))=Z∑P(Z∣Y,θi)logP(Y,Z∣θ)=E[logP(y,Z∣θ)∣y,θi](3)
(3)最后一个等号表明Q函数的本质是给定观测y和当前迭代步求得的参数下,对数似然函数的条件期望,实际的计算仍然常常采用第一个等号.
注:(3)这里第一个等式到第二个等式的推导与(1)中最后一个等号有关,在GMM模型中这一点使得(Y,Z)联合概率的计算非常方便。
(ending)
EM算法的收敛性
(待续
EM算法在高斯混合模型中的应用
高斯混合模型
定义:
高斯混合模型是指具有如下形式的概率分布模型:
P ( y ∣ θ ) = ∑ k = 1 K α k ϕ ( y ∣ θ k ) P(y|\theta)=\sum_{k=1}^{K}\alpha_k\phi(y|\theta_k) P(y∣θ)=k=1∑Kαkϕ(y∣θk)
α k \alpha_k αk代表y来自第k个分模型的概率; ∑ α k = 1 ; ϕ ( y ∣ θ k ) \sum\alpha_k=1; \phi(y|\theta_k) ∑αk=1;ϕ(y∣θk)是高斯分布密度, θ k = ( μ k , σ k 2 ) \theta_k=(\mu_k,\sigma^2_k) θk=(μk,σk2)
注:一般的混合模型可以是任意的分布密度,不局限于高斯密度。那么这类模型的参数EM算法求解过程都大致相同。
高斯混合模型参数估计的EM算法
算法步骤
输入:观测数据,高斯混合模型初始化参数
输出:高斯混合模型最终参数
(1) E步: 求Q函数: Q ( θ , θ ( i ) ) Q(\theta,\theta^{(i)}) Q(θ,θ(i))
(2) M步: θ ( i + 1 ) = a r g m a x θ Q ( θ , θ ( i ) ) \theta^{(i+1)} =argmax_{\theta}Q(\theta,\theta^{(i)}) θ(i+1)=argmaxθQ(θ,θ(i))
(3) 重复(1),(2)步直至收敛。
算法推导
以一维情形为例p=1
观测数据 y i y_i yi的产生模式:首先依分布列 α k , k = 1 , 2 , . . . , K \alpha_k,k=1,2,...,K αk,k=1,2,...,K选择第k个高斯分布模型 ϕ ( y ∣ θ k ) \phi(y|\theta_k) ϕ(y∣θk),由此生成观测数据 y i y_i yi。
已知:观测 y j , j = 1 , 2 , . . . , N . y_j, j=1,2,...,N. yj,j=1,2,...,N.
未知: θ = ( α 1 , . . . , α K , θ 1 , . . . , θ K ) . \theta=(\alpha_1,...,\alpha_K, \theta_1,...,\theta_K). θ=(α1,...,αK,θ1,...,θK).
设反映观测数据 y j y_j yj来自第k个分模型的潜在变量(0-1离散随机变量,即两点分布)为 γ j k \gamma_{jk} γjk,在 j = 1 , 2 , . . . , N j=1,2,...,N j=1,2,...,N之间独立, ∑ k γ j k = 1 , ∑ k P ( γ j k = 1 ) = ∑ k α k = 1 \sum_k\gamma_{jk}=1,\sum_kP(\gamma_{jk}=1)=\sum_k\alpha_k=1 ∑kγjk=1,∑kP(γjk=1)=∑kαk=1.
完全数据为: ( y j , γ j 1 , γ j 2 , . . . , γ j K ) , j = 1 , 2 , . . . , N (y_j,\gamma_{j1},\gamma_{j2},...,\gamma_{jK}),j=1,2,...,N (yj,γj1,γj2,...,γjK),j=1,2,...,N
完全数据的似然函数:
P ( y , γ ∣ θ ) = ∏ j = 1 N P ( y j , γ j 1 , γ j 2 , . . . , γ j K ∣ θ ) = ∏ k = 1 K ∏ j = 1 N [ α k ϕ ( y j ∣ θ k ) ] γ j k = ∏ k = 1 K α k n k ∏ j = 1 N [ ϕ ( y j ∣ θ k ) ] γ j k (4) \begin{aligned} P(y,\gamma|\theta)&=\prod_{j=1}^{N}P(y_j,\gamma_{j1},\gamma_{j2},...,\gamma_{jK}|\theta)\\ &=\prod_{k=1}^{K}\prod_{j=1}^{N}[\alpha_k \phi(y_j|\theta_k)]^{\gamma_{jk}} \tag{4} \\ &=\prod_{k=1}^{K}\alpha_k^{n_k}\prod_{j=1}^{N}[ \phi(y_j|\theta_k)]^{\gamma_{jk}} \\ \end{aligned} P(y,γ∣θ)=j=1∏NP(yj,γj1,γj2,...,γjK∣θ)=k=1∏Kj=1∏N[αkϕ(yj∣θk)]γjk=k=1∏Kαknkj=1∏N[ϕ(yj∣θk)]γjk(4)
其中, n k = ∑ j γ j k ; ∑ k n k = N n_k=\sum_j \gamma_{jk} ; \sum_kn_k=N nk=∑jγjk;∑knk=N
ϕ ( y j ∣ θ k ) = 1 2 π σ k e x p ( − ( y i − μ k ) 2 2 σ k 2 ) \phi(y_j|\theta_k)=\frac{1}{\sqrt{2\pi}\sigma_k}exp(-\frac{(y_i-\mu_k)^2}{2\sigma^2_k}) ϕ(yj∣θk)=2π σk1exp(−2σk2(yi−μk)2)
对数似然函数:
l o g P ( y , γ ∣ θ ) = ∑ k = 1 K { n k l o g α k + ∑ j = 1 N γ j k l o g [ ϕ ( y j ∣ θ k ) ] } logP(y,\gamma|\theta)=\sum_{k=1}^{K}\{{n_k}log\alpha_k+\sum_{j=1}^{N}\gamma_{jk}log[ \phi(y_j|\theta_k)]\} logP(y,γ∣θ)=∑k=1K{nklogαk+∑j=1Nγjklog[ϕ(yj∣θk)]}
- E步求Q函数:(书上的推导公式)
这时记第i次迭代得到的参数估计值为 θ ( i ) \theta^{(i)} θ(i).
E [ l o g P ( y , γ ∣ θ ) ∣ y , θ ( i ) ] = ∑ k = 1 K { E ( n k ) l o g α k + ∑ j = 1 N E ( γ j k ) l o g [ ϕ ( y j ∣ θ k ) ] } (5) E[logP(y,\gamma|\theta)|y,\theta^{(i)}]=\sum_{k=1}^{K}\{{E(n_k)}log\alpha_k+\sum_{j=1}^{N}E(\gamma_{jk})log[ \phi(y_j|\theta_k)] \} \tag{5} E[logP(y,γ∣θ)∣y,θ(i)]=k=1∑K{E(nk)logαk+j=1∑NE(γjk)log[ϕ(yj∣θk)]}(5)
注意此处以及以下的E(.)表示条件期望,记 γ ^ j k = E ( γ j k ∣ y , θ ( i ) ) \hat{\gamma}_{jk}=E(\gamma_{jk}|y,\theta^{(i)}) γ^jk=E(γjk∣y,θ(i))。由(4)中的推导知, n k n_k nk与 γ k \gamma_k γk有关, E ( n k ) = ∑ j E ( γ j k ∣ y , θ ( i ) ) E(n_k)=\sum_jE(\gamma_{jk}|y,\theta^{(i)}) E(nk)=∑jE(γjk∣y,θ(i)),
γ ^ j k = E ( γ j k ∣ y , θ ( i ) ) = P ( γ j k = 1 ∣ y , θ ( i ) ) = P ( γ j k = 1 , y j ∣ θ ( i ) ) ∑ k P ( γ j k = 1 , y j ∣ θ ( i ) ) = P ( y j ∣ γ j k = 1 , θ ( i ) ) P ( γ j k = 1 ∣ θ ( i ) ) ∑ k P ( y j ∣ γ j k = 1 , θ ( i ) ) P ( γ j k = 1 ∣ θ ( i ) ) = α k ( i ) ϕ ( y j ∣ θ k ( i ) ) ∑ k α k ( i ) ϕ ( y j ∣ θ k ( i ) ) (6) \begin{aligned} \hat{\gamma}_{jk}&=E(\gamma_{jk}|y,\theta^{(i)}) \\ &=P(\gamma_{jk}=1|y,\theta^{(i)}) \tag{6} \\ &=\frac{P(\gamma_{jk}=1,y_j|\theta^{(i)})}{\sum_kP(\gamma_{jk}=1,y_j|\theta^{(i)})} \\ &=\frac{P(y_j|\gamma_{jk}=1,\theta^{(i)})P(\gamma_{jk}=1|\theta^{(i)})}{\sum_kP(y_j|\gamma_{jk}=1,\theta^{(i)})P(\gamma_{jk}=1|\theta^{(i)})} \\ &=\frac{\alpha^{(i)}_{k} \phi(y_j|\theta_k^{(i)})}{\sum_k\alpha^{(i)}_{k} \phi(y_j|\theta_k^{(i)})} \\ \end{aligned} γ^jk=E(γjk∣y,θ(i))=P(γjk=1∣y,θ(i))=∑kP(γjk=1,yj∣θ(i))P(γjk=1,yj∣θ(i))=∑kP(yj∣γjk=1,θ(i))P(γjk=1∣θ(i))P(yj∣γjk=1,θ(i))P(γjk=1∣θ(i))=∑kαk(i)ϕ(yj∣θk(i))αk(i)ϕ(yj∣θk(i))(6)
(6)中第2个等号到第3个等号的推导:
P ( γ j k = 1 ∣ y , θ ( i ) ) = P ( γ j k = 1 , y j , θ ( i ) ) P ( θ ( i ) ) P ( θ ( i ) ) P ( y j , θ ( i ) ) = P ( γ j k = 1 , y j ∣ θ ( i ) ) P ( y j ∣ θ ( i ) ) (7) P(\gamma_{jk}=1|y,\theta^{(i)})=\frac{P(\gamma_{jk}=1,y_j,\theta^{(i)})}{P(\theta^{(i)})} \frac{P(\theta^{(i)})}{P(y_j,\theta^{(i)})}=\frac{P(\gamma_{jk}=1,y_j|\theta^{(i)} )}{P(y_j|\theta^{(i)})} \tag{7} P(γjk=1∣y,θ(i))=P(θ(i))P(γjk=1,yj,θ(i))P(yj,θ(i))P(θ(i))=P(yj∣θ(i))P(γjk=1,yj∣θ(i))(7)
P ( y j ∣ θ ( i ) ) = ∑ k P ( γ j k = 1 , y j ∣ θ ( i ) ) (8) P(y_j|\theta^{(i)})=\sum_kP(\gamma_{jk}=1,y_j|\theta^{(i)}) \tag{8} P(yj∣θ(i))=k∑P(γjk=1,yj∣θ(i))(8)
根据条件分布定义进行推导就OK。
γ ^ j k \hat{\gamma}_{jk} γ^jk的含义在书中被描述为“在当前模型参数下第j个观测数据来自第k个分模型的概率,称为分模型k对观测数据 y j y_j yj的响应度”。结合(5)式不难理解,其中既有“先验信息”——概率 α k \alpha_k αk,还包含“当前的信息”——观测数据的密度。
把 γ ^ j k = α k ( i ) ϕ ( y j ∣ θ k ( i ) ) ∑ k α k ( i ) ϕ ( y j ∣ θ k ( i ) ) \hat{\gamma}_{jk}=\frac{\alpha^{(i)}_{k} \phi(y_j|\theta_k^{(i)})}{\sum_k\alpha^{(i)}_{k} \phi(y_j|\theta_k^{(i)})} γ^jk=∑kαk(i)ϕ(yj∣θk(i))αk(i)ϕ(yj∣θk(i))带入(5)即得到Q函数:
Q ( θ , θ ( i ) ) = E [ l o g P ( y , γ ∣ θ ) ∣ y , θ ( i ) ] = ∑ k = 1 K { ∑ j = 1 N γ ^ j k l o g α k + ∑ j = 1 N γ ^ j k l o g [ ϕ ( y j ∣ θ k ) ] } Q(\theta,\theta^{(i)})=E[logP(y,\gamma|\theta)|y,\theta^{(i)}]=\sum_{k=1}^{K} \{ \sum_{j=1}^{N}\hat{\gamma}_{jk} log\alpha_k+\sum_{j=1}^{N}\hat{\gamma}_{jk}log[ \phi(y_j|\theta_k)] \} Q(θ,θ(i))=E[logP(y,γ∣θ)∣y,θ(i)]=k=1∑K{j=1∑Nγ^jklogαk+j=1∑Nγ^jklog[ϕ(yj∣θk)]}
其中, l o g ϕ ( y j ∣ θ k ) = l o g 1 2 π − l o g σ k − ( y i − μ k ) 2 2 σ k 2 log\phi(y_j|\theta_k)=log\frac{1}{\sqrt{2\pi}}-log\sigma_k-\frac{(y_i-\mu_k)^2}{2\sigma^2_k} logϕ(yj∣θk)=log2π 1−logσk−2σk2(yi−μk)2.
- M步:最大化Q函数
求偏导,令其为0即可解得新一次迭代的参数值:
- ∂ Q ∂ μ k = ∑ j γ ^ j k y j − μ k σ k 2 = 0 , μ ^ k = ∑ j γ ^ j k y j ∑ j γ ^ j k \frac{\partial Q}{\partial \mu_k}=\sum_j \hat{\gamma}_{jk}\frac{y_j-\mu_k}{\sigma^2_k } =0, \hat{\mu}_k=\frac{\sum_j \hat{\gamma}_{jk}y_j}{\sum_j \hat{\gamma}_{jk}} ∂μk∂Q=∑jγ^jkσk2yj−μk=0,μ^k=∑jγ^jk∑jγ^jkyj
- ∂ Q ∂ σ k 2 = ∑ j γ ^ j k ( − 1 σ k 2 1 2 σ k 2 + ( y i − μ k ) 2 2 σ k 4 ) = 0 , σ ^ k 2 = ∑ j γ ^ j k ( y i − μ k ) 2 ∑ j γ ^ j k \frac{\partial Q}{\partial \sigma^2_k}=\sum_j\hat{\gamma}_{jk}(-\frac{1}{\sqrt{\sigma^2_k}}\frac{1}{2\sqrt{\sigma^2_k}}+\frac{(y_i-\mu_k)^2}{2\sigma^4_k})=0, \hat{\sigma}_k^2=\frac{\sum_j\hat{\gamma}_{jk}(y_i-\mu_k)^2 }{\sum_j\hat{\gamma}_{jk}} ∂σk2∂Q=∑jγ^jk(−σk2 12σk2 1+2σk4(yi−μk)2)=0,σ^k2=∑jγ^jk∑jγ^jk(yi−μk)2
- 记 n k = ∑ j = 1 N γ ^ j k n_k=\sum_{j=1}^{N}\hat{\gamma}_{jk} nk=∑j=1Nγ^jk
∂ Q ∂ α i = ∂ ∂ α i ∑ k = 1 K n k l o g α k = ∂ ∂ α i ( ∑ k ≠ 1 n k l o g α k + n 1 l o g ( 1 − ∑ k ≠ 1 α k ) ) = n i α i − n 1 α 1 = 0 \frac{\partial Q}{\partial \alpha_i}=\frac{\partial }{\partial \alpha_i}\sum_{k=1}^{K} n_klog\alpha_k =\frac{\partial }{\partial \alpha_i}(\sum_{k\ne 1} n_klog\alpha_k+n_1 log(1-\sum_{k\ne 1}\alpha_k ))=\frac{n_i}{\alpha_i}-\frac{n_1}{\alpha_1}=0 ∂αi∂Q=∂αi∂∑k=1Knklogαk=∂αi∂(∑k=1nklogαk+n1log(1−∑k=1αk))=αini−α1n1=0
n i α 1 = n 1 α i n_i \alpha_1=n_1\alpha_i niα1=n1αi, N α 1 = n 1 N \alpha_1=n_1 Nα1=n1, α ^ 1 = n 1 N \hat{\alpha}_1 =\frac{n_1}{N} α^1=Nn1
同理, α ^ k = n k N \hat{\alpha}_k =\frac{n_k}{N} α^k=Nnk
代码部分等待更新
- 补充多维情形
E步相似,M步也相似。M步具体的参数更新式子如下:
γ ^ j k = γ ^ j k = α k ( i ) ϕ ( Y j ∣ θ k ( i ) ) ∑ k α k ( i ) ϕ ( Y j ∣ θ k ( i ) ) \hat{\gamma}_{jk}=\hat{\gamma}_{jk}=\frac{\alpha^{(i)}_{k} \phi(Y_j|\theta_k^{(i)})}{\sum_k\alpha^{(i)}_{k} \phi(Y_j|\theta_k^{(i)})} γ^jk=γ^jk=∑kαk(i)ϕ(Yj∣θk(i))αk(i)ϕ(Yj∣θk(i)),此处 θ k ( i ) = ( μ k , Σ k ) \theta^{(i)}_k=(\mu_k,\Sigma_k) θk(i)=(μk,Σk)
1、 μ ^ k = ∑ j γ ^ j k Y j ∑ j γ ^ j k \hat{\mu}_k=\frac{\sum_j \hat{\gamma}_{jk}Y_j}{\sum_j \hat{\gamma}_{jk}} μ^k=∑jγ^jk∑jγ^jkYj
2、 σ ^ k 2 = ∑ j γ ^ j k ( Y j − μ k ) ( Y j − μ k ) T ∑ j γ ^ j k \hat{\sigma}_k^2 =\frac{\sum_j\hat{\gamma}_{jk}(Y_j-\mu_k)(Y_j-\mu_k)^T}{\sum_j\hat{\gamma}_{jk}} σ^k2=∑jγ^jk∑jγ^jk(Yj−μk)(Yj−μk)T
3、 α ^ k = 1 N ∑ j γ ^ j k \hat{\alpha}_k =\frac{1}{N}\sum_j \hat{\gamma }_{jk} α^k=N1∑jγ^jk
EM算法推导以及在高斯混合模型中的应用(详细)相关推荐
- 统计学习方法第九章作业:三硬币EM算法、GMM高维高斯混合模型 代码实现
三硬币EM算法 import numpy as np import mathclass Three_coin:def __init__(self,pai=0.0,p=0.0,q=0.0):self.p ...
- 人人都能看懂的EM算法推导
作者丨August@知乎(已授权) 来源丨https://zhuanlan.zhihu.com/p/36331115 编辑丨极市平台 估计有很多入门机器学习的同学在看到EM算法的时候会有种种疑惑:EM ...
- em算法 实例 正态分布_人人都能看懂的EM算法推导
↑ 点击蓝字 关注极市平台作者丨August@知乎(已授权)来源丨https://zhuanlan.zhihu.com/p/36331115编辑丨极市平台 极市导读 EM算法到底是什么,公式推导怎么去 ...
- EM算法(1)—— 彻底理解EM算法推导
最近看了很多关于EM算法推导的文章,包括<统计学习方法(第二版)>中关于EM算法的内容,总感觉说得不够清楚.虽然公式都写得挺详细,但是没有说清楚为什么要这样算,怎么想到这样变形的,本文总结 ...
- 理解高斯混合模型中期望最大化的M-Step
在本篇文章中将解释高斯混合模型(GMM)的关键部分背后的数学原理,即期望最大化(EM),以及如何将这些概念转换为Python. 这个故事的重点是EM或M-Step. 注意:这不是有关端到端GMM算法的 ...
- 贝叶斯网络、EM算法推导
文章目录 一.贝叶斯网络 1.1 网络推导 1.2 例题解析 二.EM算法 一.贝叶斯网络 贝叶斯网亦称"信念网",它借助有向无环图(Directed Acyclic Graph, ...
- EM算法推导pLSA
简介 概率潜在语义分析(Probabilistic Latent Semantic Analysis)模型简称pLSA.可以使用EM算法来估计pLSA的参数. 已知 有文档集合D={d1,.. ...
- mh采样算法推导_科学网—MCMC中的Metropolis Hastings抽样法 - 张金龙的博文
Metropolis Hastings抽样法示例 jinlongzhang01@gmail.com Metropolis Hasting(下面简称MH)是蒙特卡罗马尔科夫链中一种重要的抽样方法.本文简 ...
- EM算法--应用到三个模型: 高斯混合模型 ,混合朴素贝叶斯模型,因子分析模型...
主要是对Ng教授的machinelearning视频学习和参考jerryLead讲义整理(特别鸣谢~): 由"判别模型.生成模型与朴素贝叶斯方法 "一节得知: 判别模型求的是条件概 ...
最新文章
- RedHat/CentOS 7通过nmcli命令管理网络教程
- 关于${ctx}拿不到值的问题
- pytorch安装教程(Windows版本)
- AtCoder AGC039F Min Product Sum (容斥原理、组合计数、DP)
- 学习Python技术有哪些优势?
- 工商银行信用卡如何通过刷星提额?
- TensorFlow 简介
- 剑指offer面试题29. 顺时针打印矩阵(边界问题)
- 抓取html的地址怎么写,跪求一个获取URL地址html代码的写法
- 数据结构与算法 第二章 数据结构中的线性结构
- windows c++ 服务 当前用户提权_关于Windows下的提权方式(上)
- Snagit 2020 Windows和macOS苹果版汉化版中文版汉化补丁Snagit中文网Snagit中文官网camsnag.com/snagit
- 计算机网络原理最详细解说
- 转速恒压频比交流变频调速系统Simulink仿真,可观察到电压频率的变比情况以及电动机的转速波形。
- 机器学习中的范数规则化之L0、L1与L2范数
- [设计模式] 模板方法模式与多线程结合实现数据的批处理
- c# mysql登录界面_C#窗体控件与MySQL实现登录功能
- Office Word
- 报录比48:1,上海985同济大学去年计算机考研报录比好高!
- 投资界百年老店,巨头之友,现在它来中国买起了茅台