机器学习之EM

EM

EM算法也称期望最⼤化（Expectation-Maximum,简称EM）算法。 它是⼀个基础算法，是很多机器学习领域算法的基础
它的计算⽅法中每⼀次迭代都分两步， 其中⼀个为期望步（E步）， 另⼀个为极⼤步（M步）

其基本思想是：

• ⾸先根据⼰经给出的观测数据，估计出模型参数的值；
• 然后再依据上⼀步估计出的参数值估计缺失数据的值，再根据估计出的缺失数据加上之前⼰经观测到的数据重新再 对参数值进⾏估计；
• 然后反复迭代，直⾄最后收敛，迭代结束。

极大似然估计

---

⼀个超级简单的案例
假设现在有两枚硬币1和2，,随机抛掷后正⾯朝上概率分别为P1，P2。为了估计这两个概率，做实验，每次取⼀枚硬 币，连掷5下，记录下结果，如下：
硬币 结果 统计
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
可以很容易地估计出P1和P2，如下：
P1 = （3+1+2）/ 15 = 0.4
P2= （2+3）/10 = 0.5

加⼊隐变量z后的求解
还是上⾯的问题，现在我们抹去每轮投掷时使⽤的硬币标记，
如下：
硬币 结果 统计
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

先随便给P1和P2赋⼀个值，
⽐如： P1 = 0.2 P2 = 0.7
然后，我们看看第⼀轮抛掷最可能是哪个硬币。
如果是硬币1，得出3正2反的概率为 0.2 ∗ 0.2 ∗ 0.2 ∗ 0.8 ∗ 0.8 = 0.00512
如果是硬币2，得出3正2反的概率为0.7 ∗ 0.7 ∗ 0.7 ∗ 0.3 ∗ 0.3 = 0.03087

轮数 若是硬币1 若是硬币2
1 | 0.00512 | 0.03087
2 | 0.02048 | 0.01323
3 | 0.08192 | 0.00567
4 | 0.00512 | 0.03087
5 | 0.02048 | 0.01323
把上⾯的值作为z的估计值。然后按照最⼤似然概率法则来估计新的P1和P2。
P1 = （2+1+2）/15 = 0.33
P2=（3+3）/10 = 0.6

我们需要用一个最可能的z，求出p1和p2