EM最大期望算法
来源:互联网 发布:网络测速上传速度为零 编辑:程序博客网 时间:2024/05/16 05:05
介绍
em算法是一种迭代算法,用于含有隐变量的参数模型的最大似然估计或极大后验概率估计。EM算法,作为一个框架思想,它可以应用在很多领域,比如说数据聚类领域----模糊聚类的处理,待会儿也会给出一个这样的实现例子。
EM算法原理
EM算法从名称上就能看出他可以被分成2个部分,E-Step和M-Step。E-Step叫做期望化步骤,M-Step为最大化步骤。
整体算法的步骤如下所示:
1、初始化分布参数。
2、(E-Step)计算期望E,利用对隐藏变量的现有估计值,计算其最大似然估计值,以此实现期望化的过程。
3、(M-Step)最大化在E-步骤上的最大似然估计值来计算参数的值
4、重复2,3步骤直到收敛。
以上就是EM算法的核心原理,也许您会想,真的这么简单,其实事实是我省略了其中复杂的数据推导的过程,因为如果不理解EM的算法原理,去看其中的数据公式的推导,会让人更加晕的。好,下面给出数据的推导过程,本人数学也不好,于是用了别人的推导过程,人家已经写得非常详细了。
EM算法的推导过程
jensen不等式
在介绍推导过程的时候,需要明白jensen不等式,他是一个关于凸函数的一个定理,直接上公式定义;
如果f是凸函数,X是随机变量,那么
特别地,如果f是严格凸函数,那么当且仅当,也就是说X是常量。
这里我们将简写为。
如果用图表示会很清晰:
这里需要解释的是E(X)的值为什么是(a+b)/2,因为有0.5 的概率是a,0.5的概率是b,于是他的期望就是a,b的和的中间值了。同理在y轴上的值也是如此。
EM算法的公式表达形式
EM算法转化为公式的表达形式为:
给定的训练样本是,样例间独立,我们想找到每个样例隐含的类别z,能使得p(x,z)最大。p(x,z)的最大似然估计如下:
然后对这个公式做一点变化,就可以用上jensen不等式了,神奇的一笔来了:
可以由前面阐述的内容得到下面的公式:
(1)到(2)比较直接,就是分子分母同乘以一个相等的函数。(2)到(3)利用了Jensen不等式。对于每一个样例i,让表示该样例隐含变量z的某种分布,满足的条件是。于是就来到了问题的关键,通过上面的不等式,我们就可以确定式子的下界,然后我们就可以不断的提高此下界达到逼近最后真实值的目的值,那么什么时候达到想到的时候呢,没错,就是这个不等式变成等式的时候,然后再依据之前描述的jensen不等式的说明,当不等式变为等式的时候,当且仅当,也就是说X是常量,推出就是下面的公式:
再推导下,由于(因为Q是随机变量z(i)的概率密度函数),则可以得到:分子的和等于c(分子分母都对所有z(i)求和:多个等式分子分母相加不变,这个认为每个样例的两个概率比值都是c),再次继续推导;
最后就得出了EM算法的一般过程了:
循环重复直到收敛
(E步)对于每一个i,计算
(M步)计算
也许你看完这个数学推导的过程已经开始头昏了,没有关系,下面给出一个实例,让大家真切的感受一下EM算法的神奇。
EM算法的模糊聚类实现
在这里我会给出一个自己实现的基于EM算法的计算模糊聚类。
输入测试的数据文件,里面包含了a-f 7个点坐标:
3 34 109 614 818 1121 7开始时默认簇中心点C1, C2为a和b。这就算是参数的初始赋值,然后是主要的操作;
1、E-Step:期望步根据当前的的模糊聚类或概率簇的参数,把对象指派到簇中。
2、M-Step:最大化步发现新的聚类或参数,最小化模糊聚类的SSE(对象的误差平方和,这个在程序中会有所体现)。在M步中会用到这个公式,根据划分矩阵重新调整计算簇的中心。
最后的收敛条件为,计算出的簇中心点的坐标的横纵坐标轴的误差和不超过1.0,意味着基本不再变化了。
主程序类:
package DataMining_EM;import java.io.BufferedReader;import java.io.File;import java.io.FileReader;import java.io.IOException;import java.text.MessageFormat;import java.util.ArrayList;/** * EM最大期望算法工具类 * * @author lyq * */public class EMTool {// 测试数据文件地址private String dataFilePath;// 测试坐标点数据private String[][] data;// 测试坐标点数据列表private ArrayList<Point> pointArray;// 目标C1点private Point p1;// 目标C2点private Point p2;public EMTool(String dataFilePath) {this.dataFilePath = dataFilePath;pointArray = new ArrayList<>();}/** * 从文件中读取数据 */public void readDataFile() {File file = new File(dataFilePath);ArrayList<String[]> dataArray = new ArrayList<String[]>();try {BufferedReader in = new BufferedReader(new FileReader(file));String str;String[] tempArray;while ((str = in.readLine()) != null) {tempArray = str.split(" ");dataArray.add(tempArray);}in.close();} catch (IOException e) {e.getStackTrace();}data = new String[dataArray.size()][];dataArray.toArray(data);// 开始时默认取头2个点作为2个簇中心p1 = new Point(Integer.parseInt(data[0][0]),Integer.parseInt(data[0][1]));p2 = new Point(Integer.parseInt(data[1][0]),Integer.parseInt(data[1][1]));Point p;for (String[] array : data) {// 将数据转换为对象加入列表方便计算p = new Point(Integer.parseInt(array[0]),Integer.parseInt(array[1]));pointArray.add(p);}}/** * 计算坐标点对于2个簇中心点的隶属度 * * @param p * 待测试坐标点 */private void computeMemberShip(Point p) {// p点距离第一个簇中心点的距离double distance1 = 0;// p距离第二个中心点的距离double distance2 = 0;// 用欧式距离计算distance1 = Math.pow(p.getX() - p1.getX(), 2)+ Math.pow(p.getY() - p1.getY(), 2);distance2 = Math.pow(p.getX() - p2.getX(), 2)+ Math.pow(p.getY() - p2.getY(), 2);// 计算对于p1点的隶属度,与距离成反比关系,距离靠近越小,隶属度越大,所以要用大的distance2另外的距离来表示p.setMemberShip1(distance2 / (distance1 + distance2));// 计算对于p2点的隶属度p.setMemberShip2(distance1 / (distance1 + distance2));}/** * 执行期望最大化步骤 */public void exceptMaxStep() {// 新的优化过的簇中心点double p1X = 0;double p1Y = 0;double p2X = 0;double p2Y = 0;double temp1 = 0;double temp2 = 0;// 误差值double errorValue1 = 0;double errorValue2 = 0;// 上次更新的簇点坐标Point lastP1 = null;Point lastP2 = null;// 当开始计算的时候,或是中心点的误差值超过1的时候都需要再次迭代计算while (lastP1 == null || errorValue1 > 1.0 || errorValue2 > 1.0) {for (Point p : pointArray) {computeMemberShip(p);p1X += p.getMemberShip1() * p.getMemberShip1() * p.getX();p1Y += p.getMemberShip1() * p.getMemberShip1() * p.getY();temp1 += p.getMemberShip1() * p.getMemberShip1();p2X += p.getMemberShip2() * p.getMemberShip2() * p.getX();p2Y += p.getMemberShip2() * p.getMemberShip2() * p.getY();temp2 += p.getMemberShip2() * p.getMemberShip2();}lastP1 = new Point(p1.getX(), p1.getY());lastP2 = new Point(p2.getX(), p2.getY());// 套公式计算新的簇中心点坐标,最最大化处理p1.setX(p1X / temp1);p1.setY(p1Y / temp1);p2.setX(p2X / temp2);p2.setY(p2Y / temp2);errorValue1 = Math.abs(lastP1.getX() - p1.getX())+ Math.abs(lastP1.getY() - p1.getY());errorValue2 = Math.abs(lastP2.getX() - p2.getX())+ Math.abs(lastP2.getY() - p2.getY());}System.out.println(MessageFormat.format("簇中心节点p1({0}, {1}), p2({2}, {3})", p1.getX(), p1.getY(),p2.getX(), p2.getY()));}}坐标点Point类:
/** * 坐标点类 * * @author lyq * */public class Point {// 坐标点横坐标private double x;// 坐标点纵坐标private double y;// 坐标点对于P1的隶属度private double memberShip1;// 坐标点对于P2的隶属度private double memberShip2;public Point(double d, double e) {this.x = d;this.y = e;}public double getX() {return x;}public void setX(double x) {this.x = x;}public double getY() {return y;}public void setY(double y) {this.y = y;}public double getMemberShip1() {return memberShip1;}public void setMemberShip1(double memberShip1) {this.memberShip1 = memberShip1;}public double getMemberShip2() {return memberShip2;}public void setMemberShip2(double memberShip2) {this.memberShip2 = memberShip2;}}调用类;
/** * EM期望最大化算法场景调用类 * @author lyq * */public class Client {public static void main(String[] args){String filePath = "C:\\Users\\lyq\\Desktop\\icon\\input.txt";EMTool tool = new EMTool(filePath);tool.readDataFile();tool.exceptMaxStep();}}输出结果:
簇中心节点p1(7.608, 5.907), p2(14.208, 8.745)在这个程序中,隐藏变量就是簇中心点,通过不断的迭代计算,最终无限的接近真实值,相当有意思的算法。
- EM最大期望算法
- 最大期望(EM)算法
- EM最大期望算法
- EM-最大期望算法
- EM最大期望算法
- 期望最大(EM)算法
- EM(最大期望)算法
- 简析EM算法(最大期望算法)
- 【机器学习】EM最大期望算法
- EM(期望最大)算法详解(上)
- 最大期望算法EM-机器学习ML
- 数据挖掘十大算法---EM 期望最大算法
- 机器学习之期望最大算法(EM算法)
- 机器学习之期望最大算法(EM算法)
- MLE极大似然估计和EM最大期望算法
- opencv2.4.9中期望最大(EM)算法理解
- MLE极大似然估计和EM最大期望算法
- 期望最大化算法EM
- HTML5学习第一天---20150120
- 并发控制 mysql MyISAM表锁
- 浅谈MySQL慢查询日志及microslow patch(msl patch)
- 有幸被推荐到首批Oracle YEP计划
- 重读《C程序设计语言》(1):序言
- EM最大期望算法
- windows 下编译最新版x264
- 智慧石的链接
- MySQL多版本并发控制分析
- git 查看远程分支、本地分支、创建分支、把分支推到远程repository、删除本地分支
- 侧滑菜单之ViewGroup
- 2010,格式
- 就是一张图而已
- hdu1569 方格取数(2) 二分图最大点权独立集