基础算法 --- >EM 模型

背景

假设我们需要调查我们学校学生的身高分布。我们先假设学校所有学生的身高服从正态分布$N(\mu ,{\delta }_1^2)$，但是男女但身高分布是不同的，我们假设他们真实的分布分别为男:$N({\mu }_1,{\delta }_1)$和女:$N({\mu }_2,{\delta }_2^2)$,现在我们怎么估计求得各自的分布呢？

假设我们不能拿到所有的男女学习身高数据以得到真实的数据分布，我们只能从所以学生中抽样，并且抽样得到的数据，完全没有标注是男是女；那我们怎么分别为男生女生估计出一个分布呢？这里就用到EM算法，即（Expectation Maximization)。

大致去看
该方法是怎样做得的呢？简要来说，它是一种不断循环优化的过程：

1. 我们首先随机初始化男女身高的平均值和方差，据此求得每一份身高数据是男生，女生的概率分别是多少，两个概率相加是1
2. 由每份数据是男或女的概率，更新男和女的身高分布，即更新平均值和方差；
3. 对1，2过程不断重复，直至达到一个稳定的状态（比如更新的平均值和方差前与后相差小于某一个值）。

EM

• 不完全数据分析
  $$P(Y|\theta )$$
• 完全数据分布
  $$P(Y,Z|\theta )$$
  求解目标最大似然估计,maximun likelihood estimate
  $$logP(Y,Z|\theta ))=\sum _i^{n}log\sum _{z_i}P(x^i,z^i|\theta )>=\sum _i\sum _{z^i}Q(z^i)log\frac{P(x^i,z^i|\theta )}{Q(z^i)}$$
  $$Q(\theta ,{\theta }^i)=\sum _{Z}logP(Y,Z|\theta )P(Z|Y,{\theta }^i)$$

具体而言
https://en.wikipedia.org/wiki/Expectation%E2%80%93maximization_algorithm

• 写出完全数据的概率$P(Y,Z|\theta )$,比如隐含量Z为性别男女，变量Y为身高，身高的分布为高斯分布$(u,{\delta }^2)$,还有男女的分布$T_i$

附加知识：

在贝叶斯概率理论中，如果后验概率P(θ|x)和先验概率p(θ)满足同样的分布律，那么，先验分布和后验分布被叫做共轭分布^

---

EM algorithm

$输入：观测变量数据Y,隐变量数据Z,联合分布P(Y,Z|\theta ),条件分布P(Z|Y,\theta );$
输出：模型参数 $\theta$
(1)选择参数的初值 ${\theta }^{}$