EM算法求高斯混合模型参数估计-python
来源:互联网 发布:sql怎么做全备份 编辑:程序博客网 时间:2024/04/30 07:01
#coding:gbkimport mathimport copyimport numpy as npimport matplotlib.pyplot as pltisdebug = 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 Xglobal Muglobal ExpectationsX = np.zeros((1,N))Mu = np.random.random(2)Expectations = np.zeros((N,k))for i in xrange(0,N):if np.random.random(1) > 0.5:X[0,i] = np.random.normal()*Sigma + Mu1else:X[0,i] = np.random.normal()*Sigma + Mu2if 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):global Expectationsglobal Muglobal Xfor i in xrange(0,N):Denom = 0for j in xrange(0,k):Denom += math.exp((-1/(2*(float(Sigma**2))))*(float(X[0,i]-Mu[j]))**2)for j in xrange(0,k):Numer = math.exp((-1/(2*(float(Sigma**2))))*(float(X[0,i]-Mu[j]))**2)Expectations[i,j] = Numer / Denomif 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Mudef m_step(k,N):global Expectationsglobal Xfor j in xrange(0,k):Numer = 0Denom = 0for i in xrange(0,N):Numer += Expectations[i,j]*X[0,i]Denom +=Expectations[i,j]Mu[j] = Numer / Denom # 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 u"初始<u1,u2>:", Mufor i in range(iter_num):Old_Mu = copy.deepcopy(Mu)e_step(Sigma,k,N)m_step(k,N)print i,Muif sum(abs(Mu-Old_Mu)) < Epsilon:breakif __name__ == '__main__': run(6,40,20,2,1000,1000,0.0001) plt.hist(X[0,:],50) plt.show()
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,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算法求高斯混合模型参数估计-python
- EM算法求高斯混合模型参数估计——Python实现
- 统计学习方法---高斯混合模型参数估计的EM算法
- 机器学习 - 高斯混合模型参数估计的EM算法
- 高斯混合模型参数估计的EM算法
- 高斯混合模型、EM参数估计及其代码
- EM算法 估计混合高斯模型参数 Python实现
- EM算法 高斯模型 的参数估计 C++实现
- 混合高斯模型和EM算法
- 高斯混合模型和EM算法
- EM算法_混合高斯模型
- EM算法与混合高斯模型
- EM算法求解高斯混合模型
- 机器学习-EM算法\混合模型
- 高斯混合模型EM算法
- EM算法与混合高斯模型
- 一维高斯混合模型EM算法实现
- 高斯混合模型EM算法
- Java 的工厂方法及代理模式
- 【每日一个Linux命令】free
- 春季训练#1
- HandlerThread
- Java 的内部类
- EM算法求高斯混合模型参数估计-python
- 面向对象,线程两种实现,异常开始。
- iOS 临时会话 腾讯企点QQ添加方法
- caffe跑自己的数据
- Java 的单例模式
- Collections&Arrays
- Guice 链式绑定,常量绑定, 基本类型绑定和Properties绑定
- Spring加载resource时classpath*:与classpath:的区别
- 网络协议基础