聚类-混合高斯模型(GMM)
来源:互联网 发布:define() php 编辑:程序博客网 时间:2024/05/18 00:18
EM算法
参考:
http://www.cnblogs.com/jerrylead/archive/2011/04/06/2006936.html
http://www.cnblogs.com/jerrylead/archive/2011/04/06/2006924.html
http://blog.csdn.net/gugugujiawei/article/details/45583051
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,使得p(x,z)最大。
p(x,z)的最大似然估计如下:
第一步是对极大似然取对数,第二步是对每个样例的每个可能类别z求联合分布概率和。但是直接求一般比较困难,因为有隐藏变量z存在,但是一般确定了z后,求解就容易了。
EM是一种解决存在隐含变量优化问题的有效方法。虽然不能直接最大化,我们可以不断地建立L的下确界(E步),然后优化下界(M步),但是一般确定了z,求解就容易了。
对于每一个样例i,让Qi表示该样例隐含变量z的某种分布,Qi满足的条件是,
根据Jenson不等式,得到如下公式:
求当等式成立时的Qi(zi)。
可以看做是对求了下界。
可求出公式:。
至此,推出了在固定后,每个样本属于各个z(分布)的概率。这一步即是E步,接下来M步,在给定的每个样本属于各个分布的情况下,调整,去极大化 的下界。
Gmm的代码示例如下:
from numpy import *def loadDataSet(fileName): dataSet = [] fr = open(fileName) for line in fr.readlines(): curLine = line.strip().split('\t') fltLine = list(map(float, curLine)) dataSet.append(fltLine) return dataSetclass GMM: def __init__(self, k=4, eps=0.00001): self.k = k self.eps = eps def fit_EM(self, X, max_iters=1000): # n = number of data-points, d = dimension of data points n, d = X.shape # randomly choose the starting centroids/means ## as 3 of the points from datasets mu = X[np.random.choice(n, self.k, False), :] # initialize the covariance matrices for each gaussians Sigma = [np.eye(d)] * self.k # initialize the probabilities/weights for each gaussians w = [1. / self.k] * self.k # responsibility matrix is initialized to all zeros # we have responsibility for each of n points for eack of k gaussians R = np.zeros((n, self.k)) ### log_likelihoods log_likelihoods = [] P = lambda mu, s: np.linalg.det(s) ** -.5 * (2 * np.pi) ** (-d / 2) \ * np.exp(-.5 * np.einsum('ij, ij -> i', \ X - mu, np.dot(np.linalg.inv(s), (X - mu).T).T)) # Iterate till max_iters iterations while len(log_likelihoods) < max_iters: # E - Step ## Vectorized implementation of e-step equation to calculate the ## membership for each of k -gaussians for k in range(self.k): a = w[k] * P(mu[k], Sigma[k]) R[:, k] = a ### Likelihood computation log_likelihood = np.sum(np.log(np.sum(R, axis=1))) log_likelihoods.append(log_likelihood) ## Normalize so that the responsibility matrix is row stochastic R = (R.T / np.sum(R, axis=1)).T ## The number of datapoints belonging to each gaussian N_ks = np.sum(R, axis=0) # M Step ## calculate the new mean and covariance for each gaussian by ## utilizing the new responsibilities for k in range(self.k): ## means mu[k] = 1. / N_ks[k] * np.sum(R[:, k] * X.T, axis=1).T x_mu = np.matrix(X - mu[k]) ## covariances Sigma[k] = np.array(1 / N_ks[k] * np.dot(np.multiply(x_mu.T, R[:, k]), x_mu)) ## and finally the probabilities w[k] = 1. / n * N_ks[k] # check for convergence if len(log_likelihoods) < 2: continue if np.abs(log_likelihood - log_likelihoods[-2]) < self.eps: break ## bind all results together from collections import namedtuple self.params = namedtuple('params', ['mu', 'Sigma', 'w', 'log_likelihoods', 'num_iters']) self.params.mu = mu self.params.Sigma = Sigma self.params.w = w self.params.log_likelihoods = log_likelihoods self.params.num_iters = len(log_likelihoods) return self.params def plot_log_likelihood(self): import pylab as plt plt.plot(self.params.log_likelihoods) plt.title('Log Likelihood vs iteration plot') plt.xlabel('Iterations') plt.ylabel('log likelihood') plt.show() def predict(self, x): p = lambda mu, s: np.linalg.det(s) ** - 0.5 * (2 * np.pi) ** \ (-len(x) / 2) * np.exp(-0.5 * np.dot(x - mu, \ np.dot(np.linalg.inv(s), x - mu))) probs = np.array([w * p(mu, s) for mu, s, w in \ zip(self.params.mu, self.params.Sigma, self.params.w)]) return probs / np.sum(probs)
0 0
- 聚类-混合高斯模型(GMM)
- 高斯混合模型(GMM)
- 【转】高斯混合模型(GMM)
- 高斯混合模型(GMM)
- 高斯混合模型(GMM)
- 高斯混合模型(GMM)
- 高斯混合模型(GMM)
- 混合高斯模型(GMM)
- 高斯混合模型(GMM)
- 高斯混合模型(GMM)
- 高斯混合模型(GMM)
- 高斯混合模型(GMM)
- 高斯混合模型(GMM)
- 混合高斯模型GMM
- 混合高斯模型GMM
- GMM高斯混合模型
- GMM混合高斯模型
- GMM(高斯混合模型)
- 解释为什么要在iBGP邻居之间加-next-hop-self。
- Java二维码工具类(使用zxing实现,可支持logo)
- poj Ultra-QuickSort
- ListView和Adapter使用详解
- CheckedTextView控件
- 聚类-混合高斯模型(GMM)
- Makefile文件编写
- Html5 Canvas 系列_绘图三(H5 ,CSS3 动态八卦图)
- 三个简单的算法—冒泡排序
- 页面布局
- 多叉树序列化与反序列
- org.hibernate.hql.internal.ast.QuerySyntaxException: ### is not mapped
- keyCode对照表
- Hadoop基础知识讲解。