期望最大化算法

上帝的算法——期望最大化算法

K-means算法实际过程和目标函数：

过程1：根据现有聚类结果，对所有数据进行重新划分。

过程2：根据重新划分的结果，得到新的聚类中心（模型）。

目标函数：点到聚类的距离总和d和聚类之间的距离D假设第一类到第k类中分别有n1,n2,...,nk个点，每一类中点到中心的距离是d1,d2,...,dk。则聚类距离总和为d=n1*d1+n2*d2+...+nk*dk。

设第i，j类中心的距离为Dij,加权D=∑（Dij*ni*nj/k(k-1))。

---

 

EM算法：

1. 根据现有模型，计算各个观测数据输入到模型中的计算结果。Expectation 期望过程
2. 重新计算模型参数，以最大化期望值。在上例中的D和-d。 Maximization 最大化过程

---

 

EM算法应用：

隐含马尔可夫模型　　Baum-Welch算法

最大熵模型　　GIS算法

K-Means算法

等等。。。

---

 

注意：

1. 因为熵函数是一个凸函数，所以EM算法给出来的是全局最优解，但是很多情况，包括文本分类的余弦距离就不是凸函数，EM算法带来的就是局部最优解。
2. EM算法只需要有训练数据和最大化函数，经过若干迭代，就能训练好模型。所以又称为上帝算法。

参考文献：

数学之美——吴军

转载于:https://www.cnblogs.com/zcbmxvn987/p/6526104.html