Andrew Ng Stanford机器学习公开课 总结（12）:k-means, 混合高斯分布, EM算法

如果图片不完成请参考git page原文

Lecture 12 k-means, 混合高斯分布, EM算法

本节主要讨论非监督学习的集中算法

1. k-means clustering algorithm

k-means算法是一种无监督的聚类算法，给定一个训练结合{x(1), . . . , x(m)}，并没有标签y的信息，k-means的目的是将数据分为若干簇(cluster)。k-means算法比较简单且容易理解，具体算法流程如下：

• 1. 随机初始化每个cluster的中心 μ1, μ2, . . . , μk ∈ Rn
• 2. 重复一下流程直到收敛：

其中k表示cluster的大小，μj代表cluster j的中心位置，c表示样本所属的cluster。内循环中主要包含两个步骤：（1）判定每个样本x(i)所属的cluster j，并将该样本指派给相应cluster （2）根据cluster包含的样本，重新计算中心位置μj。下图以2个cluster为例

上图是迭代过程中，cluster的中心μ的变化过程：

• （a）原始数据集
• （b）随机初始化每个cluster的中心 μ1, μ2
• （c-f）迭代过程：2 iterations
• • （c）根据与中心的距离，判定每个样本x(i)所属的cluster j，并将该样本指派给相应cluster，图中用颜色区分
• • （d）根据cluster包含的样本，重新计算中心位置μj，因此中心μ1和μ2发生变化。
• • （e）根据新的中心μ1和μ2，将样本重新指派给最近的cluster
• • （f）根据重新指派后的样本归属，重新计算cluster的中心

那么，k-means就一定会收敛么？答案是肯定的，首先我们定义失真函数(distortion function)：

因此，函数J代表了样本与cluster中心的平方距离，那么k-means也就可以看作是针对J的坐标下降。k-means的内部循环中做的就是固定μ 之后最小化函数失真函数J；之后固定c 最小化J。因此J一定是单调下降的，也就一定会收敛。

失真函数J是非凸(non-convex)函数，所以对于J的坐标下降不一定会收敛到全剧最优解，因此又可能会得到局部最优解。这种情况下，通常的做法是利用不同的初始值，训练多次，最后选择失真函数J最小的一种聚类方式。

2. 混合高斯分布 Mixtures of Gaussians

给定一组训练数据{x(1), . . . , x(m)}，由于非监督因此没有标签数据。首先看课中提高的一个例子，假设只有两类样本用叉和圆圈表示，下图给出了特征x的概率密度情况：

每个特征的真实分布，是由两个高斯分布一起产生的，只不过影响大小不同。

这里我们引出一个隐(latent)变量z服从多项式分布z(i) ∼ Multinomial(φ)，其中φj表示p(z(i) = j)，因此 φj ≥ 0 且 φj的和为1。同时假设x(i)|z(i) = j ∼ N(μj,Σj)也就是服从高斯分布。假设z有k个取值，那么就可以给出联合概率分布：

可以这样理解：首先从k个高斯分布中随机产生一个z(i)，之后生成样本x(i)。
因此，模型针对参数φ, μ 和 Σ 的似然函数如下：

但是利用常规的求导数=0，并不能解出其中的参数。但是，如果z已知的话，那么上述似然函数就与之前讲过的高斯判别模型一模一样了，只不过y换成了z。下面是高斯判别模型的最终参数估计形式：

但是我们并不知道z的值，该怎么办呢？ 答案是EM算法

3. EM算法

EM算法是一种迭代式算法，主要包含两个步骤：

• E-Step: “猜” z(i)的值
• M-Step: 根据z(i)的值，更新模型的参数

在E-Step，为了计算z(i)的后验概率，在给定当前模型参数的情况下，根据贝叶斯rule 可以得到：

其中p(x(i)|z(i) = j;μ,Σ)根据高斯密度函数估计。w(i)表示对在（i）的一种软估计(soft guesses)。在M-Step知道了z(i)的值，就可以类似高斯判别分析的方法计算更新模型参数了，只不过其中的指示函数I{z(i) = j}变成了wj(i)。

与k-means对比，k-means是一种对c(i)的硬(hard)指派；而混合高斯是一种soft的指派，利用概率分布来计算wj(i)。与k-means类似，混合高斯分布也存在出现局部最优解的可能。

这里只是给出了EM算法的流程，但是并没有给出原因，例如为什么E-Step的“guess”是正确的？

3-1. EM算法原理

3-1-1. 杰森不等式Jensen’s inequality

对于数值函数f，如果所有的x，二阶导数f′′(x) ≥ 0，那么函数f就是凸(convex)函数。那么对于向量形式来说，就是如果还塞矩阵是半正定的H ≥ 0，那么f就是凸的。严格凸函数则 H > 0。

以上是基础的矩阵知识，下面给出杰森不等式：

如果f是严格凸的，那么当且仅当X = E[X](X是常数)，等号才成立E[f(X)] = f(EX)。下面直观理解Jensen不等式：

从图中可以直观看到这一点：两个点函数值的平均值>=两个点平均值对应的函数值。也就是凸函数中函数值的期望>=期望的函数值。

3-1-2. EM算法

假设存在一组包含m个样本训练集合{x(1), . . . , x(m)}，引入一个latent变量之后，其似然函数为：

因为z是latent的，所以极大似然估计无法求解。在这种情况下，EM算法的思路是：无法确定l(θ) ，那么就(E-Step)构造l(θ) 的下界(lower-bound)函数，之后(M-Step)对下界(lower-bound)函数进行最优化。下面直观理解一下为什么采用下界函数：

假设当前处于θn的位置，对于l(θ)无法优化，那么我们就找到l(θ)的一个下界函数，就是图中的l(θ|θn)，并让两个函数在θn处重合相交。之后只要对下界函数求解最大值(θn+1处)，那么对应的l(θ)也一定变大，即处于优化过程。

接下来从公式推导角度进行分析，另Qi表示z的概率分布，那么Sum[Qi(z)]=1 且 Qi(z)≥0，因此可以对似然函数l(θ)进行如下变换

上面最后一步(3)就是采用了Jensen不等式，其中对应的f=log(x)，因为f′′(x) = −1/x2 < 0 因此f是凹函数。而其中的

可以看作是[p(x(i), z(i); θ)/Qi(z(i))]的基于变量z(i)的(概率分布为Qi)期望。根据Jensen不等式：期望的函数值>=函数值的期望

其中“z(i) ∼ Qi”表示期望是基于z(i)的，同时概率分布是Qi。根据这个Jensen不等式就可以从公式(2)推导出公式(3)。

因此，只要给定任意一个概率分布 Qi，就可以根据公式(3)得到l(θ)的下界。还有一个很重要的一点：我们要保证在θ处l(θ)与下界函数相交，也就是Jensen不等式的等号要成立。我们在上文讲到过，等号成立的条件是X = E[X] 也就是X是常数，任意常数都可以，因此可以另

也就是说Q与p成正比：

同时，因为Q是概率分布，因此Sum[Qi(z(i))] = 1， 从而可以推导出如下公式：

其实Q就是z(i)关于x(i)的后验分布。将Q带入公式(3)就可以得到l(θ)的下届lower-bound，之后对其进行maximize即可。由此可以得出EM算法的具体流程：

之前我们根据图像，形象的理解了EM算法选取下界函数并收敛。但是如何理论证明EM一定收敛呢，那就要证明θ(t)处得到下界函数后，maximize下界函数得到新的参数θ(t+1)，那么一定满足l(θ(t)) ≤ l(θ(t+1))。接下来就来证明这一点

上述公式(4)(5)(6)如何来的呢，首先解释第一个，因为Jensen不等式可以知道

对于任意的分布Qi和θ都成立，那么对于Qi = Qi(t), θ = θ(t+1)也一定成立。对于公式(5)，θ(t+1)是通过最大化来的：

因此，从(4)到(5)很好理解。至此，证明了EM算法一定会收敛。

其实如果我们做如下定义：

同时存在l(θ) ≥ J(Q,θ)，因此EM算法可以看成是关于Q和θ的坐标上升算法。E-step关于Q对J做最大化，M-step关于θ对J做最大化。

3-2. 混合高斯回顾(基于EM)

根据EM算法，E-Step 计算：

接下来 M-Step 针对参数φ, μ, Σ 进行maximize：

首先基于μl进行maximize，并求导数：

导数设为0，求解μl的更新规则：

下面分析参数φj，其实与φj有关的很少，只需要最大化：

因为是概率分布，因此Sum(φj)=1，因此采用拉格朗日Lagrangian：

求导数等于0，就可以求的φj：

因为Sum(φj)=1，而且φj与Sum(w)成正比，同时wj=Qi(z(i) = j)因此：

从而φj的更新公式如下：

参考

• 网易公开课
• 课程主页
• 课程笔记7a
• 课程笔记7b
• 课程笔记8