什么是GMM算法_bs模型公式

什么是GMM算法_bs模型公式1.高斯模型与高维高斯模型介绍高斯模型也就是正态分布模型,该模型最早可见于我们的高中数学教材中。闻其名知其意,正态分布是自然界中普遍存在的一种分布。比如,考试成绩,人的智力水平等等。都是大致呈现为正态分布。其概率密度函数为其中参数为μ,σ2,都是一维标量。对于高维高斯模型,与一维类似,只是自变量变成了多维,是一个向量。其概率密度函数为其中参数为μ…

大家好,又见面了,我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全家桶1年46,售后保障稳定

1. 高斯模型与高维高斯模型介绍

     高斯模型也就是正态分布模型,该模型最早可见于我们的高中数学教材中。闻其名知其意,正态分布是自然界中普遍存在的一种分布。比如,考试成绩,人的智力水平等等。都是大致呈现为正态分布。其概率密度函数为

什么是GMM算法_bs模型公式

其中参数为μ,σ2 ,都是一维标量。

       对于高维高斯模型,与一维类似,只是自变量变成了多维,是一个向量。其概率密度函数为

什么是GMM算法_bs模型公式

其中参数为μ,Σ , μ是向量,Σ是协方差矩阵,是个对称阵。 

2. 高斯混合模型

       高斯混合模型简单的说就是多个高斯模型的叠加。比如在某一个班级中,将男生和女生分成两个高斯模型来分别表示男生和女生的身高,将这个两个模型叠加到一起就是整个班级的高斯混合模型。然后此时,班上突然新来了一位同学,但是不知道ta是男生还是女生。这时首先就要对ta性别进行估计,假设有0.6的概率是男生,那么就是0.4的概率为女生。那么,对该同学的身高估计=0.6 \times 班上男生(其中一个高斯分布)身高期望+0.4 \times 班上女生(其中另一个高斯分布)身高期望。对于这个0.6是我们随意假设的,但是在大多数实际情况中,我们是不能直接得到其具体值的,也就是所谓的隐变量(latent variable)。而人的身高,是我们可以观察到的样本,也就是可观察变量(observed variable)。

      下面用具体符号来说明。假设一共有K个高斯分布,获得每一个高斯分布的概率为\alpha_k,那么高斯混合分布模型如下

什么是GMM算法_bs模型公式

现在我们已知的是很多可观察样本(也就是一群人的身高,但是不知道性别),我们要来估计\alpha_k,\mu_k,\Sigma _k(也就是来估计属于男生和女生概率,男生高斯分布的两个参数和女生高斯分布的两个参数)。 

      我们用极大似然估计来估计模型参数,似然函数为

什么是GMM算法_bs模型公式

 其中,一共有m个样本,什么是GMM算法_bs模型公式表示第j个样本。我们的目标是求似然函数LL最大时的参数,一般情况下在这里直接对似然函数对参数求偏导即可。但是由于这里log里是一个求和式子,使得求导不能直接算出对应的参数取值。我们需要使用下面的方法来求解参数。

3. EM算法来估计高斯混合模型的参数

       EM算法的大致流程是这样的,先随机初始化原模型参数,由于不能通过求导算出对应的解析解,所以我们先得到某个LL函数的下界函数H,使得LL>=H,然后通过对相应变量求偏导算出使得H最大的相应参数值,将模型的参数更新为新求得的参数。此时模型参数改变,LL函数也改变,LL的下界H也需要改变,从新计算H函数后,又求导算出使得新的H最大的对应的参数值,又将参数更新,继续上述过程,直到收敛。

       根据初始化的模型参数,我们可以根据贝叶斯公式求得第j个样本什么是GMM算法_bs模型公式是来自第k个高斯分布产生的后验概率

什么是GMM算法_bs模型公式

什么是GMM算法_bs模型公式 

根据初始化参数算出的什么是GMM算法_bs模型公式 是已知的概率值,没有任何参数。根据上式可得  \sum_{k=1}^{K}\gamma_{jk}=1

然后我们对LL函数作如下推导

                                                                      LL=\sum_{j=1}^{m}log(\sum_{k=1}^{K}\alpha_kp(x^{(j)};\mu_k,\Sigma _k))\\=\sum_{j=1}^{m}log(\sum_{k=1}^{K}\gamma_{jk}\frac{\alpha_kp(x^{(j)};\mu_k,\Sigma_k)}{\gamma_{jk}})\\ \geqslant \sum_{j=1}^{m}\sum_{k=1}^{K}\gamma_{jk}log(\frac{\alpha_kp(x^{(j)};\mu_k,\Sigma_k)}{\gamma_{jk}})                                                                  由于log函数是上凸函数,根据Jensen不等式可以求出其下界。这里log函数里是一些项的乘积形式,求导求解比较方便。我们令H=\sum_{j=1}^{m}\sum_{k=1}^{K}\gamma_{jk}log(\frac{\alpha_kp(x^{(j)};\mu_k,\Sigma_k)}{\gamma_{jk}}),然后分别对\alpha_k,\mu_k,\Sigma _k求导,并令结果为0,分别解出\alpha_k,\mu_k,\Sigma _k的相应的值。(PS. 在H函数中只有\alpha_k,\mu_k,\Sigma _k是变量,其余都已知)。其中特别一点的是,求\alpha_k时,由于\alpha_k是有限制的,\sum_{k=1}^{K}\alpha_k=1,需要使用拉格朗日乘数法来计算。这里直接给出求解结果,具体求解步骤见附录。

什么是GMM算法_bs模型公式

什么是GMM算法_bs模型公式

什么是GMM算法_bs模型公式

 总结一下,完整的算法过程如下

什么是GMM算法_bs模型公式

 4 代码

def Expectation(data, mu, sigma, alpha, K):
    """
    EM算法的E步
    :param data:数据集
    :param mu:均值向量
    :param sigma:协方差矩阵
    :param alpha:混合系数
    :return:各混合成分生成的后验概率gamma
    """
    m = data.shape[0]    #m为样本数量

    #初始化后验概率矩阵gamma
    gamma = np.zeros((m, K))

    #计算各模型中所有样本出现的概率,行对应样本,列对应模型
    prob = np.zeros((m, K))
    for k in range(K):
        prob[:, k] = alpha[k] * mul_normal(data, mu[k], sigma[k])

    gamma = prob / np.sum(prob, axis=1, keepdims=True)

    return gamma
def Maximization(data, gamma, K):
    """
    更新模型参数
    :param data:数据集 
    :param gamma:各混合成分生成的后验概率 
    :return:更新后的模型参数 
    """
    m, n = data.shape    #m为样本数,n为特征数

    #初始化高斯混合分布的模型参数值,因为要更新它们
    mu = np.zeros((K, n))
    sigma = []
    
    mk = np.sum(gamma, axis=0)
    #更新每个高斯混合成分的模型参数
    for k in range(K):
        #更新mu
        mu[k, :] = gamma[:, k].reshape(1, m) * data / mk[k]
        #更新sigma
        sigma_k = (data - mu[k]).T * np.multiply((data - mu[k]), gamma[:, k].reshape(m, 1)) / mk[k]
        sigma.append(sigma_k)
    #更新alpha
    alpha = mk / m
    sigma = np.array(sigma)    #为了保持一致,还需将sigma转回array
    
    return mu, sigma, alpha
def GMM_EM(data, K, iterations):
    """
    高斯混合聚类算法
    :param data:数据集 
    :param K:簇数量 
    :param iterations:迭代次数 
    :return: 
    """
    mu, sigma, alpha = init_parameters(data, K)
    for i in range(iterations):
        gamma = Expectation(data, mu, sigma, alpha, K)
        mu, sigma, alpha = Maximization(data, gamma, K)
    
    #用最终的模型参数来计算所有样本对于各混合成分的后验概率,以此作为最终簇划分的依据
    gamma = Expectation(data, mu, sigma, alpha, K)
    print('mu',mu)
    return gamma

Jetbrains全家桶1年46,售后保障稳定

附 求导过程 

什么是GMM算法_bs模型公式

 什么是GMM算法_bs模型公式

 

 

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/234338.html原文链接:https://javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(0)
blank

相关推荐

  • 蒂森MC2服务器显示FC00,蒂森电梯MC2常用功能地址参数设置说明.pdf[通俗易懂]

    蒂森MC2服务器显示FC00,蒂森电梯MC2常用功能地址参数设置说明.pdf[通俗易懂]C1/12MC2A00TEXXXX–TS1.MC21.1.A000/F000A001/F0011.2.MF3/MF4/MS3A/BMP1MPMS31.3.//j1.4.1.5.A3001.6.1.7.1.8.C2/12MC2A00TEXXXX–TSA2C21MP1.71.9.1.10.C…

  • CountDownTimer_bytebuffer slice

    CountDownTimer_bytebuffer slicepublicclassCountDownTimerManager{/***总倒计时*/privatelongmillisInFuture=0;/***回调时间*/privatelongcountDownInterval;/***倒计时完成回调*/privateFinishCountDownfinishCountDown;/**

  • 免费mt4下载软件mt4交易平台下载_MT5架设

    免费mt4下载软件mt4交易平台下载_MT5架设众所周知,外汇市场是全球最大的金融市场,而利用白标技术成为外汇服务提供商是很多人选择运营外汇业务的第一步。相对于外汇主标需要购买整套系统和独立服务器这样的高额成本,搭建一个白标平台要容易的多,也可以相对较快地开展外汇业务。为了帮助中小型对冲基金、高频交易机构、自营交易公司以及大型代理等快速完成外汇平台搭建,泰坦科技(STANDARDFINTECH)推出一站式白标解决方案,帮助客户以最低的成本和最高的效率开启外汇经纪事业。泰坦科技一站式白标提供最高水准解决方案泰坦科技一站…

  • QQ互联登录提示redirect uri is illegal(100010)完美解决方法

    QQ互联登录提示redirect uri is illegal(100010)完美解决方法

  • Java中数组的声明格式

    Java中数组的声明格式Java中数组的声明格式1.类型标识符数组名[];(合法但不推荐)2.类型标识符[]数组名;(《java开发手册》强制)举例:int[]arr;String[]example;MyClass[]mc;//此时仅声明了引用变量,并未产生数组对象​注意声明时不可在方括号内指定数组大小​如float[10]arr;是错误的…

  • python表白代码大全_python好玩又简单的代码

    python表白代码大全_python好玩又简单的代码想要别出心裁给女朋友准备一个惊喜,就用我们所学过的python代码来写一个表白程序。下面我给大家介绍几个。第一树上心形表白:importturtleimportrandomdeflove(x,y):#在(x,y)处画爱心lalalalv=turtle.Turtle()lv.hideturtle()lv.up()lv.goto(x,y)#定位到(x,y)defcurvemove():#画圆弧foriinr

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号