EM算法及python实现

来源：互联网发布：c1416烯烃磺酸钠知乎编辑：程序博客网时间：2024/06/05 05:14

EM算法一般表述：

当有部分数据缺失或者无法观察到时，EM算法提供了一个高效的迭代程序用来计算这些数据的最大似然估计。在每一步迭代分为两个步骤：期望（Expectation）步骤和最大化（Maximization）步骤，因此称为EM算法。

假设全部数据Z是由可观测到的样本X={X1, X2，……, Xn}和不可观测到的样本Z={Z1, Z2，……, Zn}组成的，则Y = X∪Z。EM算法通过搜寻使全部数据的似然函数Log(L(Z; h))的期望值最大来寻找极大似然估计，注意此处的h不是一个变量，而是多个变量组成的参数集合。此期望值是在Z所遵循的概率分布上计算，此分布由未知参数h确定。然而Z所遵循的分布是未知的。EM算法使用其当前的假设h`代替实际参数h，例如：给出假设均值u等，以估计Z的分布。

Q( h`| h) = E [ ln P(Y|h`) | h, X ]

EM算法重复以下两个步骤直至收敛。

步骤1：估计（E）步骤：使用当前假设h和观察到的数据X来估计Y上的概率分布以计算Q( h` | h )。

Q( h` | h ) ←E[ ln P(Y|h`) | h, X ]

步骤2：最大化（M）步骤：将假设h替换为使Q函数最大化的假设h`:

h ←argmaxQ( h` | h )

高斯混合模型参数估计问题：

简单起见，本问题研究两个高斯混合模型参数估计k=2。

问题描述：假设X是由k个高斯分布均匀混合而成的，这k个高斯分布的均值不同，但是具有相同的方差。设样本值为x1, x2, ……, xn，xi可以表示为一个K+1元组< xi, zi1, zi2, …, zik>，其中只有一个取1，其余的为0。此处的zi1到zik为隐藏变量，是未知的。且任意zij被选择的概率相等，即

P（zij = 1）=1/k (j=1,2,3.....k)

EM算法求解过程推导如下：

Python实现（模拟2个正态分布的均值估计）：

[python] view plain copy
 print?

#coding:gbk
import math
import copy
import numpy as np
import matplotlib.pyplot as plt

isdebug = False

# 指定k个高斯分布参数，这里指定k=2。注意2个高斯分布具有相同均方差Sigma，分别为Mu1,Mu2。

def ini_data(Sigma,Mu1,Mu2,k,N):
global X #X产生的数据 ,k维向量
global Mu #初始均值
global Expectations
X = np.zeros((1,N))
Mu = np.random.random(2) #随机产生一个初始均值。
Expectations = np.zeros((N,k)) #k个高斯分布，100个二维向量组成的矩阵。
for i in range(0,N):
if np.random.random(1) > 0.5:
#随机从均值为Mu1,Mu2的分布中取样。
X[0,i] = np.random.normal()*Sigma + Mu1
else:
X[0,i] = np.random.normal()*Sigma + Mu2
if isdebug:
print("***********")
print(u"初始观测数据X：")
print(X)
# EM算法：步骤1，计算E[zij]
def e_step(Sigma,k,N):
#求期望。sigma协方差，k高斯混合模型数，N数据个数。
global Expectations #N个k维向量
global Mu
global X
for i in range(0,N):
Denom = 0
for j in range(0,k):
Denom += math.exp((-1/(2*(float(Sigma**2))))*(float(X[0,i]-Mu[j]))**2)
#Denom 分母项 Mu(j)第j个高斯分布的均值。
for j in range(0,k):
Numer = math.exp((-1/(2*(float(Sigma**2))))*(float(X[0,i]-Mu[j]))**2) #分子项
Expectations[i,j] = Numer / Denom #期望，计算出每一个高斯分布所占的期望，即该高斯分布以多大比例形成这个样本
#if isdebug:
#print("***********")
#print(u"隐藏变量E（Z）：")
#print(Expectations)
# EM算法：步骤2，求最大化E[zij]的参数Mu
def m_step(k,N):
#最大化
global Expectations #期望值
global X #数据
for j in range(0,k):
#遍历k个高斯混合模型数据
Numer = 0 #分子项
Denom = 0 #分母项
for i in range(0,N):
Numer += Expectations[i,j]*X[0,i] # 每一个高斯分布的期望*该样本的值。
Denom += Expectations[i,j] #第j个高斯分布的总期望值作为分母
Mu[j] = Numer / Denom #第j个高斯分布新的均值，
# 算法迭代iter_num次，或达到精度Epsilon停止迭代
def run(Sigma,Mu1,Mu2,k,N,iter_num,Epsilon):
ini_data(Sigma,Mu1,Mu2,k,N)
print(X)
print(u"初始<u1,u2>:", Mu) #初始均值
for i in range(iter_num):
Old_Mu = copy.deepcopy(Mu) #算法之前的MU
e_step(Sigma,k,N)
m_step(k,N)
print(i,Mu) #经过EM算法之后的MU，
if sum(abs(Mu-Old_Mu)) < Epsilon:
break
if __name__ == '__main__':
run(6,40,20,2,100,100,0.001)
plt.hist(X[0,:],50)
plt.show()

本代码用于模拟k=2个正态分布的均值估计。其中ini_data(Sigma,Mu1,Mu2,k,N)函数用于生成训练样本，此训练样本时从两个高斯分布中随机生成的，其中高斯分布a均值Mu1=40、均方差Sigma=6，高斯分布b均值Mu2=20、均方差Sigma=6，生成的样本分布如下图所示。由于本问题中实现无法直接冲样本数据中获知两个高斯分布参数，因此需要使用EM算法估算出具体Mu1、Mu2取值。

图 1 样本数据分布

在图1的样本数据下，在第11步时，迭代终止，EM估计结果为：

Mu=[ 40.55261688 19.34252468]

阅读全文

1 0