EM算法

我所知道的最简单的EM算法推导：

预备知识： jessen不等式

这里不详细讲解Jessen不等式，大家可以google，这里只大概讲解其意思，就是对于凹函数f(x)（即大肚子向上，口子向下，国外和国内的定义不同，特此注明），

f(E(x)) >= E(f(x)); 若是凸函数，不等号的方向相反。等号成立的条件是x是常变量，即各个值相等

推导：

    假设X是已知变量，H是隐藏变量，\theta是参数

    目标是推断出已知X的情况下，\theta的取值，采用最大似然的方法，我们的目标是求取MAX log p(X| \theta)，

EM算法采用迭代的方法去求取。

log p(X|\theta) =log \sum_H  p(X,H|\theta) = log \sum_H q(H)*p(X,H|\theta)/ q(H) = log E(p(X,H| \theta)/q(H))

                       >= \sum_H q(H) log(p(X,H| \theta)/q(H))， 这时只要这个下界取得最大即可使得所求最大，那么等式成立的条件是

p(X,H| \theta)/q(H)) = c ， c是常数

即p(X,H| \theta) = c* q(H), 两边同时取和，可以得到c = \sum_H p(X,H| \theta)

可以求得q(H)= p(X,H|\theta)/c = p(X,H|\theta)/ \sum_H P(X,H|\theta) = p(H|X,\theta)， 这里大家一定要仔细理解

即当q(H)取p(H|X,\theta)时，我们的所求能得到最大值，这里有个隐含的假设，即\theta是已知的。这即就是EM算法中的E步骤，E即就是期望，我们看看下界，是否是期望，我们求取q(H)的过程是否是使得期望最大？这就是E的来源。

现在推导M步骤，在得知H的分布后，我们继续求取最大值，这时我们假设\theta未知，要用已知的H去求取最大的\theta

这时，求取下界\sum_H q(H) log(p(X,H| \theta)/q(H))最大的过程就是EM算法中的M步骤，依赖具体的应用。