基于em聚类算法 java_EM聚类算法简介

大部分内容援引自别处 有少许修改 EM聚类算法一般多用于为了对数据进行训练而确定相关公式中的参数

1.一般概念介绍

最大期望算法(Expectation-maximization algorithm，又译期望最大化算法)在统计中被用于寻找，依赖于不可观察的隐性变量的概率模型中，参数的最大似然估计。

在统计计算中，最大期望(EM)算法是在概率(probabilistic)模型中寻找参数最大似然估计或者最大后验估计的算法，其中概率模型依赖于无法观测的隐藏变量(Latent Variable)。最大期望经常用在机器学习和计算机视觉的数据聚类(Data Clustering)领域。最大期望算法经过两个步骤交替进行计算，第一步是计算期望(E)，利用对隐藏变量的现有估计值，计算其最大似然估计值；第二步是最大化(M)，最大化在 E 步上求得的最大似然值来计算参数的值。M 步上找到的参数估计值被用于下一个 E 步计算中，这个过程不断交替进行。

2. Jensen不等式

回顾优化理论中的一些概念。设f是定义域为实数的函数，如果对于所有的实数x，

，那么f是凸函数。当x是向量时，如果其hessian矩阵H是半正定的(

)，那么f是凸函数。如果

或者

，那么称f是严格凸函数。

Jensen不等式表述如下：

如果f是凸函数，X是随机变量，那么

特别地，如果f是严格凸函数，那么

当且仅当

，也就是说X是常量。

这里我们将

简写为

。

如果用图表示会很清晰：

图中，实线f是凸函数，X是随机变量，有0.5的概率是a，有0.5的概率是b。(就像掷硬币一样)。X的期望值就是a和b的中值了，图中可以看到

成立。

当f是(严格)凹函数当且仅当-f是(严格)凸函数。

Jensen不等式应用于凹函数时，不等号方向反向，也就是

。

3.EM算法

给定的训练样本是

，样例间独立，我们想找到每个样例隐含的类别z，能使得p(x,z)最大。p(x,z)的最大似然估计如下：

第一步是对极大似然取对数，第二步是对每个样例的每个可能类别z求联合分布概率和。但是直接求

一般比较困难，因为有隐藏变量z存在，但是一般确定了z后，求解就容易了。

EM是一种解决存在隐含变量优化问题的有效方法。竟然不能直接最大化

，我们可以不断地建立

的下界(E步)，然后优化下界(M步)。这句话比较抽象，看下面的。

对于每一个样例i，让

表示该样例隐含变量z的某种分布，

满足的条件是

。(如果z是连续性的，那么

是概率密度函数，需要将求和符号换做积分符号)。比如要将班上学生聚类，假设隐藏变量z是身高，那么就是连续的高斯分布。如果按照隐藏变量是男女，那么就是伯努利分布了。

可以由前面阐述的内容得到下面的公式：

(1)到(2)比较直接，就是分子分母同乘以一个相等的函数。(2)到(3)利用了Jensen不等式，考虑到

是凹函数(二阶导数小于0)，而且

就是

的期望(回想期望公式中的Lazy Statistician规则)

设Y是随机变量X的函数

(g是连续函数)，那么

(1) X是离散型随机变量，它的分布律为

，k=1,2,…。若

绝对收敛，则有

(2) X是连续型随机变量，它的概率密度为

，若

绝对收敛，则有

对应于上述问题，Y是

，X是

，

是

，g是

到

的映射。这样解释了式子(2)中的期望，再根据凹函数时的Jensen不等式：

可以得到(3)。

这个过程可以看作是对

求了下界。对于

的选择，有多种可能，那种更好的？假设

已经给定，那么

的值就决定于

和

了。我们可以通过调整这两个概率使下界不断上升，以逼近

的真实值，那么什么时候算是调整好了呢？当不等式变成等式时，说明我们调整后的概率能够等价于

了。按照这个思路，我们要找到等式成立的条件。根据Jensen不等式，要想让等式成立，需要让随机变量变成常数值，这里得到：

c为常数，不依赖于

。对此式子做进一步推导，我们知道

，那么也就有

，(多个等式分子分母相加不变，这个认为每个样例的两个概率比值都是c)，那么有下式：

至此，我们推出了在固定其他参数

后，

的计算公式就是后验概率，解决了

如何选择的问题。这一步就是E步，建立

的下界。接下来的M步，就是在给定

后，调整

，去极大化

的下界(在固定

后，下界还可以调整的更大)。那么一般的EM算法的步骤如下：

循环重复直到收敛 {

(E步)对于每一个i，计算

(M步)计算

}

这里顺便提一下其中的p的计算式可以实例化 例如p的公式可以被 贝叶斯公式替代 另外对于z和

的初始值，有的资料给出的办法是第一次猜测隐含类别变量z，对于

可以复给一个随意的初始值

那么究竟怎么确保EM收敛？假定

和

是EM第t次和t+1次迭代后的结果。如果我们证明了

，也就是说极大似然估计单调增加，那么最终我们会到达最大似然估计的最大值。下面来证明，选定

后，我们得到E步

这一步保证了在给定

时，Jensen不等式中的等式成立，也就是

然后进行M步，固定

，并将

视作变量，对上面的

求导后，得到

，这样经过一些推导会有以下式子成立：

解释第(4)步，得到

时，只是最大化

，也就是

的下界，而没有使等式成立，等式成立只有是在固定

，并按E步得到

时才能成立。

况且根据我们前面得到的下式，对于所有的

和

都成立

第(5)步利用了M步的定义，M步就是将

调整到

，使得下界最大化。因此(5)成立，(6)是之前的等式结果。

这样就证明了

会单调增加。一种收敛方法是

不再变化，还有一种就是变化幅度很小。

再次解释一下(4)、(5)、(6)。首先(4)对所有的参数都满足，而其等式成立条件只是在固定

，并调整好Q时成立，而第(4)步只是固定Q，调整

，不能保证等式一定成立。(4)到(5)就是M步的定义，(5)到(6)是前面E步所保证等式成立条件。也就是说E步会将下界拉到与

一个特定值(这里

)一样的高度，而此时发现下界仍然可以上升，因此经过M步后，下界又被拉升，但达不到与

另外一个特定值一样的高度，之后E步又将下界拉到与这个特定值一样的高度，重复下去，直到最大值。

如果我们定义

从前面的推导中我们知道

，EM可以看作是J的坐标上升法，E步固定

，优化

，M步固定

优化

。