k-means与EM算法小结

        EM算法像是k-means的应用场景，比如双峰分布的数据，k-means方法，将其看成2-means聚类的方法处理场景。

        k-means算法，也被称为k-平均或k-均值，是一种广泛使用的聚类算法，或者成为其他聚类算法的基础。

       假定输入样本为，则算法步骤为：

        （1）选择初始的k个簇中心u1,u2,...,uk

        （2）将样本xi标记为距离簇中心最近的簇：

        （3）更新簇中心：

        （4）重复最后两步，直到满足终止条件。（迭代次数/簇中心变化率/最小平方误差MSE）

          思考：经典的K-means聚类方法，能够非常方便的将未标记的样本分成若干簇；但无法给出某个样本属于该簇的后验概率。

 

         从直观理解猜测GMM的参数估计

         随机变量X是有K个高斯分布混合而成，取各个高斯分布的概率为，第i个高斯分布的均值为。若观测到随机变量X的一系列样本，试估计参数。

          建立目标函数

        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极大值。分成两步。

        第一步：估算数据来自哪个组份

       估计数据由每个组份生成的概率，对于每个样本xi，它由第k个组份生成的概率为。

      

 上式中的也是待估计的值，因此采样迭代法：在计算。但是（1）需要先验给定；（2）亦可看成组份k在生成数据xi时所做的贡献。

        第二步：估计每个组份的参数

       对于所有的样本点，对于组份k而言，可看做生成了这些点。组份k是一个标准的高斯分布。

 

EM算法的提出

（1）假定有训练集包含m个独立样本，希望从中找到该组数据的模型P(x,z)的参数。

（2）取对数似然函数

其中z是隐随机变量，不方便直接找到参数估计。策略：计算下界，求该下界的最大值；重复该过程，直到收敛到局部最大值。

（图像摘自七月算法）

（3）Jensen不等式。令Qi是z的某一个分布，Oi》0，有：

（图像摘自七月算法）

（4）为了使等号成立

（5）进一步分析

（6）EM算法整体框架

 

从理论公式推导GMM

（1）随机变量X是有K个高斯分布混合而成，取各个高斯分布的概率为，第i个高斯分布的均值为ui，方差为。若观测到随机变量X的一系列样本，试估计参数。

（2）E-step

    

          M-step

        将多项分布和高斯分布的参数带入

   

（3）对均值求偏导

令上式等于0，解出均值

同理，求偏导，等于0，得到高斯分布的方差

（4）多项分布的参数。

考察M-step的目标函数，对于，删除常数项。则

（5）拉格朗日乘子法

由于多项分布的概率和为1，建立拉格朗日方程

这样求解的一定非负，所以，不用考虑》0这个条件

求偏导，等于0

（6）回到（2）E-step继续迭代，直到达到局部最优值

 

带有隐变量，往往可以用EM算法来求解。