【机器学习系列】GMM第二讲：高斯混合模型Learning问题，最大似然估计 or EM算法？

作者：CHEONG

公众号：AI机器学习与知识图谱

研究方向：自然语言处理与知识图谱

阅读本文之前，首先注意以下两点：

1、机器学习系列文章常含有大量公式推导证明，为了更好理解，文章在最开始会给出本文的重要结论，方便最快速度理解本文核心。需要进一步了解推导细节可继续往后看。

2、文中含有大量公式，若读者需要获取含公式原稿Word文档，可关注公众号【AI机器学习与知识图谱】后回复：GMM第二讲，可添加微信号【17865190919】进学习交流群，加好友时备注来自CSDN。原创不易，转载请告知并注明出处！

本文主要介绍高斯混合模型的Learning问题，探讨是使用最大似然估计还是EM算法，以及完整的求解思路。

一、问题定义

看如下表格中展现了某个高斯混合模型由$c_1,c_2,...,c_k$个高斯分布组成，其中隐变量$z$的含义是某个样本属于第i个高斯分布的概率是$p_i$：

C/高斯分布	$c_1$	$c_2$	…	$c_k$
z	1	2	…	k
P(z)	$p_1$	$p_2$	…	$p_k$

根据上述表格先给出高斯混合模型的概率密度函数$p(x)$，公式如下：

结合表格数据，$p(z=c_k)$是概率值$p_k$，而当$z=c_k$时$X$概率符合高斯分布，所以高斯混合模型的概率密度函数表示为：

因此本文求解的问题是：高斯混合模型的Learning问题，即对高斯混合模型进行参数学习。现有观测数据Observed Data $X=(x_1,x_2,...,x_k)$，隐变量$Z$，完整数据Complete Data为$(X,Z)$，结合上述的概率密度函数需要学习的参数即为：

本文接下来将探讨如何对上述参数$\Theta$进行求解。

二、本文结论

结论1： 高斯混合模型Learning问题使用最大似然估计MLE，无法求出解析解，需要使用EM算法去求解高斯混合模型Learning问题的近似解。

结论2： EM算法求解过程分为E-Step和M-Step，求解过程公式推导较复杂，但需要抓住E-Step和M-Step主要目的是什么，而不能先陷入大量公式中。EM算法思想简单来说：先通过E-Step求解模型期望$Q(\Theta ,{\Theta }^{(t)})$，再通过M-Step最大化期望，当迭代收敛时求出最优的参数值$\Theta$。

三、最大似然估计为何无法求解GMM

下面首先给出若使用最大似然估计求解高斯混合模型Learning问题的推导过程：

根据上式得出结论：最后一个推导公式中log后面存在一个求和符号，对于log中存在求和符号无法继续往下求解，所以高斯混合模型无法使用MLE求出解析解，但对于单一高斯分布是可以用MLE进行求解的。

四、EM算法求解GMM

重点： 再次强调，虽然下面的公式推导很复杂，但最主要是弄清楚E-Step和M-Step主要是在做什么事情，理清楚思路比陷入到公式推导中要重要得多。

接下来讲解使用EM算法求解高斯混合模型，先给出EM算法的求解时迭代公式：

EM算法思想：先通过E-Step求解模型期望$Q(\Theta ,{\Theta }^{(t)})$，再通过M-Step最大化期望，当迭代收敛时求出最优的参数值$\Theta$。

在讲解EM算法求解高斯混合模型之前，先给出高斯混合模型的边缘概率密度函数$p(x)$，联合概率函数$p(x,z)$以及条件概率密度函数$p(z|x)$。

EM算法：E-Step求解过程

接下来讲解EM算法求解高斯混合模型的E-Step，求期望$Q(\Theta ,{\Theta }^{(t)})$，求解过程相对比较复杂，先直接给出期望的求解结果，不想看推导过程的可以直接跳过。经过E-Step求出的期望为：

将高斯混合模型条件概率密度函数$p(z|x)$和联合概率密度函数$p(x,z)$代入上式得：

下面给出该E-Step结论的推导过程，较复杂不需要了解的可以直接跳过。

可以看出上式很复杂，现在需要对上式进行简化，我们先拆除上式加和中的一项进行简化：

上式简化过程如下图展示所示：

经过简化后继续推导如下：

至此我们通过E-Step求解出高斯混合模型的期望$Q(\Theta ,{\Theta }^{(t)})$

EM算法：M-Step求解过程

在E-Step我们已经求出了期望$Q(\Theta ,{\Theta }^{(t)})$

将其中的$Z_i$替换成$k=1,2,...,K$表示，并且条件概率不展开表示为如下形式：

上面就是经过E-Step得疯狂推导得出的结论，接下来M-Step就是通过最大化期望$Q(\Theta ,{\Theta }^{(t)})$来求解参数值：

这里以求解参数$p_1,p_2,...,p_k$来简单讲解求解过程，使用的是拉格朗日乘子法

对于上述有约束项的最值求解，使用拉格朗日乘子法有：

我们将k从$1,2,...,K$进行赋值之后有：

其中有：

所以可得：

至此结合以下两个式子：

最终求出：

而另外两个参数求解方式和$p^{(t+1)}$相同。