em算法 实例 正态分布_4-EM算法原理及利用EM求解GMM参数过程

1.极大似然估计

原理：假设在一个罐子中放着许多白球和黑球，并假定已经知道两种球的数目之比为1:3但是不知道那种颜色的球多。如果用放回抽样方法从罐中取5个球，观察结果为：黑、白、黑、黑、黑，估计取到黑球的概率为p;

假设p=1/4,则出现题目描述观察结果的概率为：(1/4)4*(3/4) = 3/1024

假设p=3/4,则出现题目描述观察结果的概率为：(3/4)4*(1/4) = 81/1024

由于81/1024 > 3/1024,因此任务p=3/4比1/4更能出现上述观察结果，所以p取3/4更为合理

以上便为极大似然估计的原理

定义如下图：(图片来自浙江大学概率论课程课件)

2.知晓了极大似然估计的原理之后，我们可以利用极大似然估计的原理来解决如下问题：

即，若给定一圈样本x1,x2.....xn,已知他们服从高斯分布N(μ,σ),要求估计参数均值μ,标准差σ

(1) 高斯分布的概率密度为：

(2) 利用上述极大似然估计的原理，构建似然函数为：

(3) 为例求解方便我们取对数似然：

(4) 我们的目标是求上述l(x)的最大值，对上式，分别关于μ，σ求二阶导数，很容易证明2次倒数均小于0 ，所以上述函数关于μ,和σ均为凹函数，极大值点满足一阶导数等于0，故通过对μ,和σ求偏导并且倒数为0 我们即可得到如下等式：

3.EM算法原理推导

3.1 EM算法与极大似然估计的区别于联系(直接饮用李航-统计学习方法中的内容)

概率模型有时即含有观测变量，又含有隐变量或潜在变量，如果概率模型的变量都是观测变量，那么给定数据，可以直接用极大似然估计法，或者贝叶斯估计法估计模型参数。但是当模型含有隐量时，就不能简单的用这些估计方法，EM算法就是含有隐变量的概率模型参数的极大似然估计法

什么是隐变量？

举例：比如现要在一所学校中随机选取1000个人测量身高，最终我们会得到一个包含1000个身高数据的数据集，此数据集就称为观测变量，那这1000个学生中，既有男生又有女生，我们在选取完成以后并不知道男生和女生的比例是多少？此时这1000名学生中男生的占比以及女生的占比就称为隐变量

3.2 有了上述简单的认识之后，下边解决EM算法的推导过程

在对EM算法原理进行推导之前，先用一个实例理解一下下文中θ所表示的意义：