机器学习笔记：EM算法（期望最大算法）

1 算法介绍

1.0 EM算法的引入

EM算法主要解决的问题是，具有隐变量的混合模型的参数估计，即其极大似然估计

如果是简单的问题，我们可以直接求出P(x|θ)的时候，我们可以直接用最大似然估计来求出解析解

但如果在模型中有了隐变量之后，就不太好求解析解P(x|θ)了，也就无法用最大似然估计来得到最佳的θ

——》这时候就需要EM算法了

1.1 EM算法介绍

EM算法是一个迭代的算法，其会不断地更新θ，直至收敛。

第t轮迭代的公式如下

我们对上式稍作修改，便有了期望形式：

——>EM 算法可以分成两步

————>第一步（E）：求出期望

————>第二步（M）：期望最大化 

2 EM算法推导

2.1 第一种推导方法：ELBO+KL散度

根据条件概率的性质，我们有：

进一步化简

 

令q是任意一个关于z的分布：

也就是

对等号两边求期望，有：

左边

右边

• KL散度见NTU 课程 CE7454:信息论概述_UQI-LIUWJ的博客-CSDN博客
• ELBO表示evidence lower bound

        因为KL散度始终大于等于0（当KL散度比较的两个分布相同时取等号），所以，当q(z)和分布相同时取等号。

        于是我们令q(z)就是

所以 

由于和θ无关，所以

不难发现和第一小节的式子是一样的

2.2 第二种推导方法：ELBO+琴声不等式

2.2.1 琴声不等式

对于凸函数f，f[ta+(1-t)b]≥tf(a)+(1-t)f(b) 

等号成立条件 a=b

在这里，我们令t为0.5：

也即f(E)≥E(f)

2,2,2 推导

 这里等号成立条件，对所有的z，均相等，我们令其为C

        不难发现就是2.1中说的ELBO，下面的问题就在于，q(z)此时是否等于

 

——>

等号两边对z求微分 

【最后一个等号：关于z的全微分，所以把z可以提出来】

 所以,将其带入

所以用这种方式也能推导出EM的式子 

 

3 EM算法举例：抛硬币问题

3.0 问题的引入：没有隐变量z的情况

假设现在有两枚硬币1和2，,随机抛掷后正面朝上概率分别为P1和P2。

为了估计P1和P2，每次取一枚硬币，连掷5下，记录的结果如下所示：
 

硬币	结果	统计
1	正正反正反	3正-2反
2	反反正正反	2正-3反
1	正反反反反	1正-4反
2	正反反正正	3正-2反
1	反正正反反	2正-3反

在这种情况下，由于我们知道每一次抛掷的是哪一枚硬币，所以概率很好求 

3.1 引入隐变量z 

现在我们不知道每轮投掷时使用的是哪一每硬币，那么此时记录的结果如下所示：

硬币	结果	统计
Unknown	正正反正反	3正-2反
Unknown	反反正正反	2正-3反
Unknown	正反反反反	1正-4反
Unknown	正反反正正	3正-2反
Unknown	反正正反反	2正-3反

那么现在怎么估计P1和P2呢？ 

这时候就需要EM算法了 

 用期望的形式写，翻译成白话就是：假定我们知道了 硬币朝向和抛掷硬币的对应关系，那么我们希望此时 出现的各种 （硬币朝向，抛掷硬币）对的概率最大

 

3.2 解决方法

我们先 随便给P1和P2赋一个值，比如P1=0.2,P2=0.7

第一轮是：正正反正反，那么是硬币1/硬币2的概率为

 于是我们可以得到这五轮的概率

 然后我们对每一行，分别计算是硬币1 or 硬币2的概率

 接下来，我们需要重新估计P1和P2（θ）

计算一下期望，看看有多少次等价的硬币1抛出来为正，多少次抛出来为负

以硬币1为例，其第一轮的正正反正反，等价于 一枚硬币1期望跑出如下的正负次数

 

同理可得硬币1其他轮次的情况

 

4 K-means

 K-means是一个clustering的模型，首先我随机挑几个点作为center（center是哪几个点就是这边的隐变量），然后每一轮我根据点和cluster 中心点的远近程度，重新找cluster中心点 

 参考内容

EM算法详解+通俗例子理解_呆呆象呆呆的博客-CSDN博客_em算法实例

机器学习-白板推导系列(十)-EM算法（Expectation Maximization）_哔哩哔哩_bilibili