作者milter
關注 2017.03.30 19:15*
字數 2326
閱讀 2779
喜歡 31
讚賞 1
如果使用基於最大似然估計的模型，模型中存在隱變數，就要用em演算法做引數估計。個人認為，理解em演算法背後的idea，遠比看懂它的數學推導重要。idea會讓你有乙個直觀的感受，從而明白演算法的合理性，數學推導只是將這種合理性用更加嚴謹的語言表達出來而已。打個比方，乙個梨很甜，用數學的語言可以表述為糖分含量90%，但只有親自咬一口，你才能真正感覺到這個梨有多甜，也才能真正理解數學上的90%的糖分究竟是怎麼樣的。如果em是個梨，本文的目的就是帶領大家咬一口。假設現在有兩枚硬幣1和2，,隨機拋擲後正面朝上概率分別為p1，p2。為了估計這兩個概率，做實驗，每次取一枚硬幣，連擲5下，記錄下結果，如下：
硬幣結果統計1
正正反正反
3正-2反
2反反正正反
2正-3反
1正反反反反
1正-4反
2正反反正正
3正-2反
1反正正反反
2正-3反
可以很容易地估計出p1和p2，如下：
p1 = （3+1+2）/ 15 = 0.4
p2= （2+3）/10 = 0.5
到這裡，一切似乎很美好，下面我們加大難度。
還是上面的問題，現在我們抹去每輪投擲時使用的硬幣標記，如下：
硬幣結果
統計unknown
正正反正反
3正-2反
unknown
反反正正反
2正-3反
unknown
正反反反反
1正-4反
unknown
正反反正正
3正-2反
unknown
反正正反反
2正-3反
好了，現在我們的目標沒變，還是估計p1和p2，要怎麼做呢？
顯然，此時我們多了乙個隱變數z，可以把它認為是乙個5維的向量（z1,z2,z3,z4,z5)，代表每次投擲時所使用的硬幣，比如z1，就代表第一輪投擲時使用的硬幣是1還是2。但是，這個變數z不知道，就無法去估計p1和p2，所以，我們必須先估計出z，然後才能進一步估計p1和p2。
但要估計z，我們又得知道p1和p2，這樣我們才能用最大似然概率法則去估計z，這不是雞生蛋和蛋生雞的問題嗎，如何破？
答案就是先隨機初始化乙個p1和p2，用它來估計z，然後基於z，還是按照最大似然概率法則去估計新的p1和p2，如果新的p1和p2和我們初始化的p1和p2一樣，請問這說明了什麼？（此處思考1分鐘）
這說明我們初始化的p1和p2是乙個相當靠譜的估計！
就是說，我們初始化的p1和p2，按照最大似然概率就可以估計出z，然後基於z，按照最大似然概率可以反過來估計出p1和p2，當與我們初始化的p1和p2一樣時，說明是p1和p2很有可能就是真實的值。這裡面包含了兩個互動的最大似然估計。
如果新估計出來的p1和p2和我們初始化的值差別很大，怎麼辦呢？就是繼續用新的p1和p2迭代，直至收斂。
這就是下面的em初級版。
我們不妨這樣，先隨便給p1和p2賦乙個值，比如：
p1 = 0.2
p2 = 0.7
然後，我們看看第一輪拋擲最可能是哪個硬幣。
如果是硬幣1，得出3正2反的概率為 0.2*0.2*0.2*0.8*0.8 = 0.00512
如果是硬幣2，得出3正2反的概率為0.7*0.7*0.7*0.3*0.3=0.03087
然後依次求出其他4輪中的相應概率。做成**如下：
輪數若是硬幣1
若是硬幣2
10.00512
0.03087
20.02048
0.01323
30.08192
0.00567
40.00512
0.03087
50.02048
0.01323
按照最大似然法則：
第1輪中最有可能的是硬幣2
第2輪中最有可能的是硬幣1
第3輪中最有可能的是硬幣1
第4輪中最有可能的是硬幣2
第5輪中最有可能的是硬幣1
我們就把上面的值作為z的估計值。然後按照最大似然概率法則來估計新的p1和p2。
p1 = （2+1+2）/15 = 0.33
p2=（3+3）/10 = 0.6
設想我們是全知的神，知道每輪拋擲時的硬幣就是如本文第001部分標示的那樣，那麼，p1和p2的最大似然估計就是0.4和0.5（下文中將這兩個值稱為p1和p2的真實值）。那麼對比下我們初始化的p1和p2和新估計出的p1和p2：
初始化的p1
估計出的p1
真實的p1
初始化的p2
估計出的p2
真實的p2
0.20.33
0.40.7
0.60.5
看到沒？我們估計的p1和p2相比於它們的初始值，更接近它們的真實值了！
可以期待，我們繼續按照上面的思路，用估計出的p1和p2再來估計z，再用z來估計新的p1和p2，反覆迭代下去，就可以最終得到p1 = 0.4，p2=0.5，此時無論怎樣迭代，p1和p2的值都會保持0.4和0.5不變，於是乎，我們就找到了p1和p2的最大似然估計。
這裡有兩個問題：
1、新估計出的p1和p2一定會更接近真實的p1和p2？
答案是：沒錯，一定會更接近真實的p1和p2，數學可以證明，但這超出了本文的主題，請參閱其他書籍或文章。
2、迭代一定會收斂到真實的p1和p2嗎？
答案是：不一定，取決於p1和p2的初始化值，上面我們之所以能收斂到p1和p2，是因為我們幸運地找到了好的初始化值。
下面，我們思考下，上面的方法還有沒有改進的餘地？
我們是用最大似然概率法則估計出的z值，然後再用z值按照最大似然概率法則估計新的p1和p2。也就是說，我們使用了乙個最可能的z值，而不是所有可能的z值。
如果考慮所有可能的z值，對每乙個z值都估計出乙個新的p1和p2，將每乙個z值概率大小作為權重，將所有新的p1和p2分別加權相加，這樣的p1和p2應該會更好一些。
所有的z值有多少個呢？顯然，有2^5=32種，需要我們進行32次估值？？
不需要，我們可以用期望來簡化運算。
輪數若是硬幣1
若是硬幣2
10.00512
0.03087
20.02048
0.01323
30.08192
0.00567
40.00512
0.03087
50.02048
0.01323
利用上面這個表，我們可以算出每輪拋擲中使用硬幣1或者使用硬幣2的概率。比如第1輪，使用硬幣1的概率是：
0.00512/(0.00512+0.03087)=0.14
使用硬幣2的概率是1-0.14=0.86
依次可以算出其他4輪的概率，如下：
輪數z_i=硬幣1
z_i=硬幣2
10.14
0.86
20.61
0.39
30.94
0.06
40.14
0.86
50.61
0.39
上表中的右兩列表示期望值。看第一行，0.86表示，從期望的角度看，這輪拋擲使用硬幣2的概率是0.86。相比於前面的方法，我們按照最大似然概率，直接將第1輪估計為用的硬幣2，此時的我們更加謹慎，我們只說，有0.14的概率是硬幣1，有0.86的概率是硬幣2，不再是非此即彼。這樣我們在估計p1或者p2時，就可以用上全部的資料，而不是部分的資料，顯然這樣會更好一些。
這一步，我們實際上是估計出了z的概率分布，這步被稱作e步。
結合下表：
硬幣結果
統計unknown
正正反正反
3正-2反
unknown
反反正正反
2正-3反
unknown
正反反反反
1正-4反
unknown
正反反正正
3正-2反
unknown
反正正反反
2正-3反
我們按照期望最大似然概率的法則來估計新的p1和p2：
以p1估計為例，第1輪的3正2反相當於
0.14*3=0.42正
0.14*2=0.28反
依次算出其他四輪，列表如下：
輪數正面反面1
0.42
0.28
21.22
1.83
30.94
3.76
40.42
0.28
51.22
1.83
總計4.22
7.98
p1=4.22/(4.22+7.98)=0.35
可以看到，改變了z值的估計方法後，新估計出的p1要更加接近0.4。原因就是我們使用了所有拋擲的資料，而不是之前只使用了部分的資料。
這步中，我們根據e步中求出的z的概率分布，依據最大似然概率法則去估計p1和p2，被稱作m步。
以上，我們用乙個實際的小例子，來實際演示了em演算法背後的idea，共性存於個性之中，通過這個例子，我們可以對em演算法究竟在幹什麼有乙個深刻感性的認識，掌握em演算法的思想精髓。
reference:
如何感性地理解EM演算法？
如果使用基於最大似然估計的模型，模型中存在隱變數，就要用em演算法做引數估計。個人認為，理解em演算法背後的idea，遠比看懂它的數學推導重要。idea會讓你有乙個直觀的感受，從而明白演算法的合理性，數學推導只是將這種合理性用更加嚴謹的語言表達出來而已。打個比方，乙個梨很甜，用數學的語言可以表述為糖...
如何理解EM演算法
em演算法是極大似然解的一種演算法。當使用基於極大似然估計的模型時，模型中存在隱變數，就要用到em演算法進行引數估計。以投硬幣為例說明 現有兩枚硬幣1和2，隨機投擲正面朝上的概率是p1和p2，然後為了估計這兩個概率做了上面的實驗，我們可以很容易得出 p1 3 1 2 15 0.4 p2 2 3 10...
理解EM演算法
em演算法應對的問題 隨機變數x 中y為觀測變數，存在一部分不能直接觀測的變數z，因此不能直接使用最大似然方法估計引數。em基本思路 1 expectation 直接假設分布引數的初始值，求隱變數z期望,從而 補全 不完全觀測資料，相當於得到了完全變數x的觀測樣本。2 maximization 利用...