前天推了一篇关于EM算法的文章,后台有留言反映不太明白,包括解释EM使用的抛硬币的例子。
今天,借助 2008 年论文中给出的解释EM算法
的例子,最后解释EM算法:E步
和M步
论文题目:
What is the expectation maximization algorithm?
这是论文中的那幅图:
![](https://i-blog.csdnimg.cn/blog_migrate/3f342448503b250ac2a22a6e98a663ae.png)
下面解释这些数字是如何得来的。
Step1 纯碎靠猜
假定硬币A正面朝上的概率为 0.6, 硬币B正面朝上的概率为 0.5
Step2 做实验
开展 5 轮实验,每轮抛掷 10 次,全部实验结果如下所示:
![](https://i-blog.csdnimg.cn/blog_migrate/e4ec8dc49fb6877a5a870b72d7bee6ab.png)
下面依次分析每轮实验结果。
第一轮结果:5次朝上,5次朝下。如果选择硬币A,则发生此结果的概率为:Pa = 0.6^5*0.4^5
; 如果选择硬币B,概率为:Pb = 0.5^5*0.5^5
; 则选择硬币A的概率为:Za = Pa/(Pa+Pb)
,选择硬币B的概率为:Zb = 1- Za
.
计算一下:
Pa = 0.6**5*0.4**5
Pb = 0.5**5*0.5**5
Za = Pa/(Pa+Pb)
Zb = 1- Za
结果:
In [11]: Za
Out[11]: 0.44914892610093643
In [12]: Zb
Out[12]: 0.5508510738990635
四舍五入,即 0.45, 0.55。分别就是选择硬币 A 和硬币 B 的概率。
选择硬币 A 的概率为 0.45,抛掷硬币 10 次,正反出现的总次数期望值为:0.45 * 10
,即 4.5 次。第一轮实验结果:5正5反,所以正面出现次数的期望值为:4.5 * (5/10)
,即为 2.25
次,反面出现 2.25
次;
同理分析硬币B。选择硬币 B 的概率为 0.55,抛掷硬币 10 次,正反出现的总次数期望值为:0.55 * 10
,即 5.5 次。第一轮实验结果:5正5反,所以正面出现次数的期望值为:5.5 * (5/10)
,即为 2.75
次,反面出现 2.75
次;
同理分别求出第二轮到第五轮实验,选择硬币 A 的概率及对应的正反面出现次数的期望值,选择硬币 B 的概率及对应的正反面出现次数的期望值。
第一轮到第五轮实验全部分析完成后,得到如下结果,左侧表格为选择硬币A和B的概率分布(也就是隐变量的概率分布);右侧表格为硬币A和B在10次抛掷实验中正、反出现次数的期望分布(也就是可观察变量的概率分布)。
![](https://i-blog.csdnimg.cn/blog_migrate/f2c49cc5c09fb75ebc5d31dc761e0b69.png)
Step3 似然估计
纵观 5 轮 总结 50 次抛掷硬币,可以计算出硬币 A 、B 正面出现的概率。
硬币 A 正面出现次数:
2.2 + 7.2 + 5.9 + 1.4 + 4.5 = 21.2
硬币 A 反面出现次数:
2.2 + 0.8 + 1.5 + 2.1 + 1.9 = 8.5
同理求得硬币 B
得到论文图中的结果(小数点位数精度,稍有偏差,不碍事,理解就行)
![](https://i-blog.csdnimg.cn/blog_migrate/e8be6ef8e47921dfa5f897fa6ef614ec.png)
至此又得到一个硬币A、B 正面出现概率的估计值,这次是基于实验得到,而不是像刚开始那样纯碎靠蒙(纯碎靠蒙时为 0.6, 0.5)。
完成一次分布参数的迭代。
Step4 迭代10次
10 轮迭代后,参数更新为如下,对应论文中的 Step4
![](https://i-blog.csdnimg.cn/blog_migrate/c67a0ecd119a9f8dfb3d4a9693adecb9.png)
Done~
原创不易,点个在看