GMM

一维单高斯模型SGM###

分布概率密度函数PDF定义如下：

$$N(x;\mu,\sigma) = \frac {1}{\sqrt {2\pi} \sigma}exp(-\frac {(x-\mu)^2}{2\sigma^2})$$

多维单高斯模型SGM###

分布概率密度函数PDF定义如下：

$$N(x;\mu,\Sigma) = \frac {1}{\sqrt {(2\pi)^D|\Sigma|}} exp(-\frac {1}{2}(x-\mu)^T \Sigma^{-1} (x-\mu))$$

注：$\mu_k$各类均值，$\Sigma_k$各类协方差矩阵，D是维度

注意得满足下面3个条件，才等价于N维随机向量服从多维正太分布

• 任何线性组合$Y = \alpha_1x_1+ \ldots +\alpha_n x_n$服从正太分布

• 存在随机

  参考wiki

几何理解： 二维的SGM在平面上近似椭圆形，在三维空间中近似椭球体。

混合高斯模型###

由K个 Gaussian Model(多维)线性组合在一起就是GMM的概率密度函数：

$$p(x) = \sum_{k=1}^K p(Z_k=1)p(x|Z_k=1) = \sum_{k=1}^K \pi_k N(x|\mu_k,\Sigma_k) \\ \sum_{k=1}^K \pi_k = 1 \\ Z\text{为K维向量,满足} Z_k \in {0,1} \\ \text{一个样本不能由多个类别混合组成吗？EM中没这样要求。}$$

这样应该是有问题的。后来看到徐亦达老师的课件中是这么定义的：

求解

每个样本所属分类已知####

设样本容量为N，属于第K个分类的样本数量为$N_k$，则

$$\pi_k = \frac {N_k}{N} \\ \mu_k = \frac {1}{N_k} \sum_{x \in L(k)}x \\ \Sigma_k = \frac {1}{N_k} \sum_{x \in L(k)}(x-\mu_k)^T(x-\mu_k)$$

所有样本所属分类已知，则跟EM算法没有关系。但是部分样本已知分类，如何半监督的学习，或者初始化EM的参数？

样本分类数未知####

对整体数据求对数极大似然：

$$f(x) = \sum_{i=1}^N \log \sum_{k=1}^K \pi_k N(x|\mu_k,\Sigma_k)$$

• 初始化参数：初始化每个Gaussian Models 都是标准正太分布。

• E步：依据当前模型的参数，计算分模型k对观测数据$x_i$的相应度。 或者说每个样本由第k个component生成的概率,即类别k在给定的x下的条件概率，利用bayesian公式得：

$$\gamma(i,k) = p(z=k|x_i;\mu,\Sigma) = \frac {\pi_k N(x_i|\mu_k,\Sigma_k)}{\sum_{k=1}^K \pi_k N(x_i|\mu_k,\Sigma_k)} \\ \gamma(i,k) \text{是在当前模型参数下等i个观测数据来自第k个分模型的概率}$$

注意：在算$\gamma(i,k)$时，假定$\mu_k,\Sigma_k$均已知,是上一轮迭代出的参数。

• M步：对期望的下限最大化，计算新一轮迭代的模型参数。

  注意：此时$\gamma(i,k)$已知，也就是知道了每个样本由那个component生成，此时求模型参数，使似然函数最大化。

  • $\mu_k,\Sigma_k$分别求偏导数，然后等于0就可以了

  • $\pi_k$不能直接求偏导数，因为有$\sum_{k=1}^K \pi_k=1$的约束，可以构造拉格朗日函数求解

求解过程： 对$\mu_k$求导，固定$\pi_k,\Sigma_k$

$$f = \sum_{i=1}^N \log \sum_{k=1}^K \pi_k \frac {N(x|\mu_k,\Sigma_k)}{\sum_{k=1}^K \pi_k} = \sum_{i=1}^N \log \sum_{k=1}^K \pi_k \frac {N(x|\mu_k,\Sigma_k)}{\sum_{k=1}^K \pi_k} = \sum_{i=1}^N \sum_{k=1}^K \gamma(i,k) \log \frac {N(x|\mu_k,\Sigma_k)}{ \sum_{k=1}^K \gamma(i,k)} \\ \frac {\partial f}{\partial \mu_k} = -\sum_{i=1}^N \sum_{k=1}^K \gamma(i,k) \frac {1}{2}(x_i-\mu)^T \Sigma_k^{-1} (x_i-\mu) = -\frac {1}{2} \sum_{i=1}^N \gamma(i,k)(2\mu_k^T\Sigma_k^{-1}x_i - \mu_k^T\Sigma_k^{-1}\mu_k ) = \sum_{i=1}^N \gamma(i,k)(\Sigma_k^{-1}x_i - \Sigma_k^{-1}\mu_k ) = 0 \\ \mu_k = \frac {1}{N_k} \sum_{i=1}^N \gamma(i,k)x_i$$

对$\Sigma_k$求导，固定$\pi_k,\mu_k$

$$\Sigma_k = \frac {1}{N_k} \sum_{i=1}^N \gamma(i,k)(x_i-\mu_k)(x_i-\mu_k)^T$$

$$N_k = \sum_{i=1}^N \gamma(i,k) , \\ \pi_k = \frac {N_k}{N}$$

半监督学习###

并行学习###

参考佳文####

高斯混合模型和期望最大化算法 （此文甚是清晰准确） 期望最大化算法