高斯混合模型

本文就高斯混合模型（gmm,gaussian mixture model）引數如何確立這個問題，詳細講解期望最大化（em,expectation maximization）演算法的實施過程。

多維變數x服從高斯分布時，它的概率密度函式pdf為：

x是維度為d的列向量，u是模型期望，σ是模型方差。在實際應用中u通常用樣本均值來代替，σ通常用樣本方差來代替。很容易判斷乙個樣x本是否屬於類別c。因為每個類別都有自己的u和σ，把x代入（1）式，當概率大於一定閾值時我們就認為x屬於c類。

從幾何上講，單高斯分布模型在二維空間應該近似於橢圓，在三維空間上近似於橢球。遺憾的是在很多分類問題中，屬於同一類別的樣本點並不滿足「橢圓」分布的特性。這就引入了高斯混合模型。

gmm認為資料是從幾個gsm中生成出來的，即

k需要事先確定好，就像k-means中的k一樣。πk是權值因子。其中的任意乙個高斯分布n(x;uk,σk)叫作這個模型的乙個component。這裡有個問題，為什麼我們要假設資料是由若干個高斯分布組合而成的，而不假設是其他分布呢？實際上不管是什麼分布，只k取得足夠大，這個xx mixture model就會變得足夠複雜，就可以用來逼近任意連續的概率密度分布。只是因為高斯函式具有良好的計算效能，所gmm被廣泛地應用。

gmm是一種聚類演算法，每個component就是乙個聚類中心。即在只有樣本點，不知道樣本分類（含有隱含變數）的情況下，計算出模型引數（π，u和σ）----這顯然可以用em演算法來求解。再用訓練好的模型去差別樣本所屬的分類，方法是：step1隨機選擇k個component中的乙個（被選中的概率是πk）；step2把樣本代入剛選好的component，判斷是否屬於這個類別，如果不屬於則回到step1。

當每個樣本所屬分類已知時，gmm的引數非常好確定，直接利用maximum likelihood。設樣本容量為n，屬於k個分類的樣本數量分別是n1,n2,...,nk，屬於第k個分類的樣本集合是l(k)。

有n個資料點，服從某種分布pr(x;θ)，我們想找到一組引數θ，使得生成這些資料點的概率最大，這個概率就是

稱為似然函式（lilelihood function）。通常單個點的概率很小，連乘之後資料會更小，容易造成浮點數下溢，所以一般取其對數，變成

稱為log-likelihood function。

gmm的log-likelihood function就是：

這裡每個樣本xi所屬的類別zk是不知道的。z是隱含變數。

我們就是要找到最佳的模型引數，使得(6)式所示的期望最大，「期望最大化演算法」名字由此而來。

em要求解的問題一般形式是

y是隱含變數。

我們已經知道如果資料點的分類標籤y是已知的，那麼求解模型引數直接利用maximum likelihood就可以了。em演算法的基本思路是：隨機初始化一組引數θ(0)，根據後驗概率pr(y|x;θ)來更新y的期望e(y)，然後用e(y)代替y求出新的模型引數θ(1)。如此迭代直到θ趨於穩定。

e-step e就是expectation的意思，就是假設模型引數已知的情況下求隱含變數z分別取z1,z2,...的期望，亦即z分別取z1,z2,...的概率。在gmm中就是求資料點由各個 component生成的概率。

注意到我們在z的後驗概率前面乘以了乙個權值因子αk，它表示在訓練集中資料點屬於類別zk的頻率，在gmm中它就是πk。

m-step m就是maximization的意思，就是用最大似然的方法求出模型引數。現在我們認為上一步求出的r(i,k)就是「資料點xi由component k生成的概率」。根據公式(3),(4),(5)可以推出：

相同點：都是可用於聚類的演算法；都需要指定k值。

不同點：gmm可以給出乙個樣本屬於某類的概率是多少。

高斯混合模型

高斯混合模型

高斯混合模型

混合高斯模型

相關推薦