【机器学习】最大熵模型（Maximum Entropy Model）

最新推荐文章于 2025-02-01 12:53:59 发布

zhaosarsa

最新推荐文章于 2025-02-01 12:53:59 发布

阅读量1.1w

点赞数 7

分类专栏：数学最优化概率论算法

本文链接：https://blog.csdn.net/qq_32742009/article/details/81508526

版权

算法同时被 3 个专栏收录

39 篇文章

订阅专栏

数学

24 篇文章

订阅专栏

最优化

13 篇文章

订阅专栏

最大熵模型（Maximum Entropy Model，以下简称MaxEnt），MaxEnt 是概率模型学习中一个准则，其思想为：在学习概率模型时，所有可能的模型中熵最大的模型是最好的模型；若概率模型需要满足一些约束，则最大熵原理就是在满足已知约束的条件集合中选择熵最大模型。最大熵原理指出，对一个随机事件的概率分布进行预测时，预测应当满足全部已知的约束，而对未知的情况不要做任何主观假设。在这种情况下，概率分布最均匀，预测的风险最小，因此得到的概率分布的熵是最大。

最大熵模型是由最大熵原理推导实现的，所以，在讲述最大熵模型前，我们先要讲讲最大熵原理，将它作为预备知识。

最大熵原理

最大熵原理是概率模型学习的一个准则, 评价一个模型的好坏是根据熵的大小，熵大说明模型越好。因此可以理解，最大熵原理就是满足一定的约束条件下，选择熵最大的模型。

计算最大熵根据两个前提去解决问题：

解决问题要满足一定约束
不做任何假设，就是在约束外的事件发生概率为等概率

举个简单的例子：

1）假设随机变量有5个取值 $\{A,B,C,D,E\}$ ，要估计各个值的概率。

从上述的已知条件，我们知道

（约束）

根据最大熵的前提条件，我们可以假定：（等概率）

所以，可以计算出来 $P(A)=P(B)=P(C)=P(D)=P(E)={1\over5}$

2）假设随机变量有5个取值 $\{A,B,C,D,E\}$ ，其中， $P(A)+P(B)={3\over10}$ 。估计各个值的概率。

如题可以知道：

（约束）

$P(A)+P(B)={3\over10}$ （约束）

从约束中根据等概率，我们可以推测， $P(A)=P(B)={3\over20},P(C)=P(D)=P(E)={7\over30}$

现在，知道了最大熵原理，是不是觉得很简单～

接下来以统计建模的形式来描述 MaxEnt 模型，给定训练数据 $\left \{ (x_i,y_i)\right\}_{i=1}^N$ ，现在要通过 Maximum Entropy 来建立一个概率判别模型，该模型的任务是对于给定的 X = x 以条件概率分布 P(Y|X = x ) 预测的取值。根据训练语料能得出 (X,Y) 的经验分布，得出部分 (X,Y) 的概率值，或某些概率需要满足的条件,即问题变成求部分信息下的最大熵或满足一定约束的最优解，约束条件是靠特征函数来引入的，首先先回忆一下函数期望的概念。

对于随机变量 $X = x_i,i = 1,2,\cdots$ 则可以得到：

随机变量期望: 对于随机变量，其数学期望的形式为 $E(X) = \sum_ix_ip_i$

随机变量函数期望：若，则关于的函数的期望： $E(Y) = \sum_if(x_i)p_i$

特征函数

特征函数 f(x,y) 描述与之间的某一事实，其定义如下：

特征函数 f(x,y) 是一个二值函数，当与满足事实时取值为 1 ，否则取值为 0 。比如对于如下数据集：

数据集中，第一列为，右边为，可以为该数据集写出一些特征函数，数据集中得特征函数形式如下：

$f(x,y) = \left \{ \begin{aligned} 1, & \ if \ x= Cloudy \ and \ y=Outdoor.\\ 0, & \ else. \end{aligned}\right.$

为每个 <feature,label> 对都做一个如上的特征函数，用来描述数据集数学化。

约束条件

接下来看经验分布，现在把训练数据当做由随机变量 (X,Y) 产生,则可以根据训练数据确定联合分布的经验分布 $\widetilde{P}(X,Y)$ 与边缘分布的经验分布 $\widetilde{P}(X)$ :

$\begin{aligned} \widetilde{P}(X = x,Y = y) &= \frac{count(X=x,Y= y)}{N}\\ \widetilde{P}(X = x) &= \frac{count(X=x)}{N} \end{aligned}$

count() 为计数函数。

用 $E _{\widetilde{P}}(f)$ 表示特征函数 f(x,y) 关于经验分布 $\widetilde{P}(X ,Y )$ 的期望，可得：

$E _{\widetilde{P}}(f) = \sum_{x,y}\widetilde{P}(x ,y)f(x,y) = \frac{1}{N} \sum_{x,y}f(x,y)$

$\widetilde{P}(x ,y)$ 前面已经得到了，数数 f(x,y) 的次数就可以了，由于特征函数是对建立概率模型有益的特征，所以应该让 MaxEnt 模型来满足这一约束，所以模型 P(Y|X) 关于函数的期望应该等于经验分布关于的期望，模型 P(Y|X) 关于的期望为：

$E_P(f) =\sum_{x,y}P(x,y)f(x,y) \approx \sum_{x,y}\widetilde{P}(x)P(y|x)f(x,y)$

为模型的实际联合分布，如果模型可以从训练集中学习，我们就可以假设这两个期望相等。也即 $P(x,y)=\tilde{P}(x)P(y|x)=\tilde{P}(x,y)$ 。

简单来讲就是我们从训练集数据状况中所得到的经验分布 $\widetilde{P}(x ,y)$ 可以一定程度上去代替模型的实际分布，当训练集很大的时候，这两者确实可以近乎认为相等，其实就是抽样估计啦～。

我们要求的是模型是，解出，我们就可以带入样本，得到输出的概率分布。

经验分布与特征函数结合便能代表概率模型需要满足的约束，只需使得两个期望项相等，即 $E_P(f) = E _{\widetilde{P}}(f)$ ：

$\sum_{x,y}\widetilde{P}(x)p(y|x)f(x,y) = \sum_{x,y}\widetilde{P}(x ,y)f(x,y)$

上式便为 MaxEnt 中需要满足的约束，给定个特征函数 f_i(x,y) ，则有个约束条件，用表示满足约束的模型集合：

$C = \left\{ P \ | \ E_P(f_i) = E _{\widetilde{P}}(f_i) ,I = 1,2,\cdots ,n \right \}$

从满足约束的模型集合中找到使得 P(Y|X) 的熵最大的即为 MaxEnt 模型了。

最大熵模型

关于条件分布 P(Y|X) 的熵为：

$H(P) = - \sum_{x,y}P(y,x)logP(y|x)= -\sum_{x,y}\widetilde{P}(x)P(y|x)logP(y|x)$

首先满足约束条件然后使得该熵最大即可，MaxEnt 模型 P^* 为：

$P^* = arg\max_{P \in C} H(P)$

或者

$P^* = arg\min_{P \in C} -H(P)$

综上给出形式化的最大熵模型：

给定数据集 $\left \{ (x_i,y_i)\right\}_{i=1}^N$ ，特征函数 $f_i(x,y),i= 1,2,\cdots,n$ ，根据经验分布得到满足约束集的模型集合：

$\begin{aligned} & \min_{P \in C} \ \ -H(P)= \sum_{x,y} \widetilde{P}(x)P(y|x)logP(y|x) \\ & \ s.t. \ \ \ E_p(f_i) = E _{\widetilde{P}}(f_i) \\ & \ \ \ \ \ \ \ \ \ \sum_yP(y|x) = 1 \end{aligned}$
按照最优化的习惯，一般会将求最大问题转换为等价的求最小问题。

MaxEnt 模型的求解

MaxEnt 模型最后被形式化为带有约束条件的最优化问题，可以通过拉格朗日乘子法将其转为无约束优化的问题，引入拉格朗日乘子： $w_0,w_1,\cdots ,w_n$ ，定义朗格朗日函数 L(P,w) :

$\begin{aligned} L(P,w) &= -H(P) + w_0\left (1-\sum_yP(y|x) \right ) + \sum^n_{i=1}w_i(E _{\widetilde{P}}(f_i) - E_p(f_i))\\ &=\sum_{x,y} \widetilde{P}(x)P(y|x)logP(y|x) + w_0\left (1-\sum_yP(y|x) \right ) + \sum^n_{i=1}w_i\left (\sum_{x,y}\widetilde{P}(x ,y)f_i(x,y) -\sum_{x,y}\widetilde{P}(x)p(y|x)f_i(x,y) \right ) \end{aligned}$

现在问题转化为: $\min_{P \in C}L(P,w)$ ，拉格朗日函数 L(P,w) 的约束是要满足的，如果不满足约束的话，只需另 $w_i \rightarrow +\infty$ ，则可得 $L(P,w) \rightarrow +\infty$ ，因为需要得到极小值，所以约束必须要满足，满足约束后可得： $L(P,w) = \max L(P,w)$ ，现在问题可以形式化为便于拉格朗日对偶处理的极小极大的问题：（详细参见之前写的拉格朗日乘子法、KKT条件、拉格朗日对偶）

$\min_{P \in C} \max_w L(P,w)$

由于 L(P,w) 是关于的凸函数，根据拉格朗日对偶可得 L(P,w) 的极小极大问题与极大极小问题是等价的：

$\min_{P \in C} \max_w L(P,w) = \max_w \min_{P \in C} L(P,w)$

现在可以先求内部的极小问题 $\min_{P \in C} L(P,w)$ ， $\min_{P \in C} L(P,w)$ 得到的解为关于的函数，可以记做 $\Psi(w)$ ：

$\Psi(w) = \min_{P \in C} L(P,w) = L(P_w,w)$

上式的解 P_w 可以记做：

$P_w = arg \min_{P \in C}L(P,w) = P_w(y|x)$

由于求解的最小值 P_w ,只需对于 P(y|x) 求导即可,令导数等于 0 即可得到 P_w(y|x) ：

$\begin{aligned} \frac{\partial L(P,w) }{\partial P(y|x)} &= \sum_{x,y}\widetilde{P}(x)(logP(y|x)+1)-\sum_yw_0-\sum_{x,y}\left ( \widetilde{P}(x)\sum_{i=1}^nw_if_i(x,y) \right ) \\ &= \sum_{x,y}\widetilde{P}(x)\left ( logP(y|x)+1-w_0-\sum_{i=1}^n w_if_i(x,y) \right ) = 0 \\ \Rightarrow \\ P(y|x) &= exp \left ( \sum_{i=1}^n w_if_i(x,y) +w_0-1 \right ) = \frac{exp\left(\sum_{i=1}^n w_if_i(x,y) \right )}{exp(1-w_0)} \end{aligned}$

由于 $\sum_yP(y|x) = 1$ ，可得:

$\sum_yP(y|x) = 1 \Rightarrow \frac {1} {exp(1-w_0)} \sum _y exp \left ( \sum_{i=1}^n w_if_i(x,y) \right ) = 1$

进而可以得到：

$exp(1-w_0) = \sum _y exp \left ( \sum_{i=1}^n w_if_i(x,y) \right )$

这里 exp(1-w_0) 起到了归一化的作用，令 Z_w(x) 表示，便得到了 MaxEnt 模型 ：

$\begin{aligned} P_w(y|x) &= \frac{1}{Z_w(x) }exp \left ( \sum_{i=1}^n w_if_i(x,y) \right ) \\ Z_w(x) &=\sum _y exp \left ( \sum_{i=1}^n w_if_i(x,y) \right ) \end{aligned}$

这里 f_i(x,y) 代表特征函数， w_i 代表特征函数的权值， P_w(y|x) 即为 MaxEnt 模型，现在内部的极小化求解得到关于的函数，现在求其对偶问题的外部极大化即可，将最优解记做 w^* :

$w^* = arg \max_w \Psi(w)$

所以现在最大熵模型转为求解 $\Psi(w)$ 的极大化问题，求解最优的 w^* 后，便得到了所要求的MaxEnt 模型，将 P_w(y|x) 带入 $\Psi(w)$ ，可得：

$\begin{aligned} \Psi(w) &=\sum_{x,y}\widetilde{P}(x)P_w(y|x)logP_w(y|x) + \sum^n_{i=1}w_i\left (\sum_{x,y}\widetilde{P}(x ,y)f_i(x,y) -\sum_{x,y}\widetilde{P}(x)P_w(y|x)f_i(x,y) \right )\\ &= \sum_{x,y} \widetilde{P}(x,y)\sum_{i=1}^nw_if_i(x,y) +\sum_{x,y}\widetilde{P}(x)P_w(y|x)\left (logP_w(y|x) - \sum_{i=1}^nw_if_i(x,y) \right) \\ &=\sum_{x,y} \widetilde{P}(x,y)\sum_{i=1}^nw_if_i(x,y) -\sum_{x,y}\widetilde{P}(x)P_w(y|x)logZ_w(x)\\ &=\sum_{x,y} \widetilde{P}(x,y)\sum_{i=1}^nw_if_i(x,y) -\sum_x\widetilde{P}(x)logZ_w(x)\sum_yP_w(y|x)\\ &=\sum_{x,y} \widetilde{P}(x,y)\sum_{i=1}^nw_if_i(x,y) -\sum_x\widetilde{P}(x)logZ_w(x)\\ \end{aligned}$

以上推倒第二行到第三行用到以下结论：

$P_w(y|x) = \frac{1}{Z_w(x) }exp \left ( \sum_{i=1}^n w_if_i(x,y) \right )\\ \Rightarrow logP_w(y|x) =\sum_{i=1}^n w_if_i(x,y) - logZ_w(x)$

倒数第二行到最后一行是由于： $\sum_yP_w(y|x) = 1$ ，最终通过一系列极其复杂的运算，得到了需要极大化的式子：

$\max_{p \in C} \sum_{x,y} \widetilde{P}(x,y)\sum_{i=1}^nw_if_i(x,y) -\sum_x\widetilde{P}(x)logZ_w(x)$

对 $\Psi(w)$ 求极大化，由于它是连续可导的，所以优化方法有很多种，比如梯度下降法，牛顿法，拟牛顿法都可以。对于最大熵模型还有一种专用的优化方法，叫做改进的迭代尺度法(improved iterative scaling, IIS)。

极大化似然估计解法

这太难了，有没有简单又 work 的方式呢？答案是有的，就是极大似然估计 MLE 了，这里有训练数据得到经验分布 $\widetilde{P}(x,y)$ ，待求解的概率模型 P(Y|X) 的似然函数为：

$L_{\widetilde{P}}(P_w) = log\prod_{x,y}P(y|x)^{\widetilde{P}(x,y)} = \sum_{x,y}\widetilde{P}(x,y)logP(y|x)$

这里以指数的形式引入了 $\tilde{P}(x,y)$ 。注意，对于给定的训练数据， $\tilde{P}(x,y)$ 都是通过统计得到的常数。至于为什么要以指数的形式引入 $\tilde{P}(x,y)$ ，这么想， $P(y|x)^{\widetilde{P}(x,y)}$ 对应指数函数其中为常数，对于固定的而言，总是希望越大越好，求得参数能够使整体训练集的 $log\prod_{x,y}P(y|x)^{\widetilde{P}(x,y)}$ 最大，就是我们要做的事情。

将 P_w(y|x) 带入以下公式可以得到：

$\begin{aligned} L_{\widetilde{P}}(P_w) &= \sum_{x,y}\widetilde{P}(x,y)logP(y|x)\\ &= \sum_{x,y}\widetilde{P}(x,y)\left ( \sum_{i=1}^n w_if_i(x,y) -logZ_w(x)\right )\\ &= \sum_{x,y}\widetilde{P}(x,y)\sum_{i=1}^n w_if_i(x,y) - \sum_{x,y}\widetilde{P}(x,y)logZ_w(x)\\ &= \sum_{x,y}\widetilde{P}(x,y)\sum_{i=1}^n w_if_i(x,y) - \sum_{x}\widetilde{P}(x)logZ_w(x)\\ \end{aligned}$