华盛顿大学 机器学习 笔记。

k-means的局限性

  k-means 是一种硬分类(hard assignment)方法,例如对于文档分类问题,k-means会精确地指定某一文档归类到某一个主题,但很多时候硬分类并不能完全描述这个文档的性质,这个文档的主题是混合的,这时候需要软分类(soft assignment)模型。

  k-means 缺陷:(1)只关注聚类中心的表现。(2)聚类区域形状必须为对称圆形/球形,轴平行。

  对于聚类区域大小不一、轴不平行、聚类空间重叠等情况,k-means 缺陷显著。
        

混合模型的优点:

  1.软分类(例如,主题 54%“世界新闻”,45% “科学”, 1% “体育”)

  2.关注聚类区域形状而不只是中心

  3.每个聚类的权重(weights)可学习

高斯混合模型(GMM)

(1) 高斯函数描述聚类分布

  高斯混合模型假定每个聚类可以用一个高斯分布函数N(x|μ ,Σ)描述,如图

        

  描述聚类的参数有三个, { π, μ , Σ },其中,π 为聚类 的权重(weight),μ为 聚类的平均值(mean),Σ 为聚类的协方差(covariance.

  高斯混合模型概率分布:

      

  如何理这个解概率分布模型,以计算点xi属于聚类k的概率为例。

(2)如何计算xi 属于聚类k 的概率

   贝叶斯公式

         

    假设从数据集中随机抽取一个数据点,考虑以下几种情况:

        A  = 抽到的点属于聚类k

        B  = 抽到点xi

        B|A = 已知抽取的点属于聚类k 中, 抽到点xi

        A|B = 已知抽到点xi, 抽取的点属于聚类k

     P(A|B)其实等价于”点xi属于聚类k”的概率。

    接下来求P(A)、P(B)、P(B|A),通过贝叶斯公式可求P(A|B)。

    

  A  = 抽到的点属于聚类k

  P(A):从数据集中随机抽取一个点,恰好抽到聚类k中的点的概率。

      (其中,所有聚类权重之和为1,即 ,m为聚类数量)

   即

            

 

  B|A = 已知抽取的点属于聚类k,中, 抽到点xi

    P(B|A):转换为从聚类k中随机抽一个点,恰好抽到点xi的概率。

  GMM模型假设每个聚类中数据点服从高斯分布:

      

  即

      

     B  = 抽到点xi

  P(B):从数据集中随机抽取一个点,恰好抽到点xi的概率。

  这种情况下,抽到的点归属于哪个/些聚类未知,考虑到:

     如果已知抽到的点属于哪些聚类,这个概率可以按照P(B|A)的公式算。

     从数据集中随机抽点,抽到的点属于某个聚类的概率,可以按照P(A)的公式计算。

   使用用条件概率公式计算:

    

  这就是就是GMM模型的概率分布模型。

  点xi属于聚类k的概率,即后验概率为:

    

  即

   

(3)评估GMM模型优劣的方法——似然性

  首先明确隐变量:

  假设整个数据集是从符合这个GMM模型的大样本中随机抽取点构成的,每次抽取的数据记为 xi(i = 1,2,…,N, 数据集中一共N个点),对于第i次抽取的点,此时xi是已知的,而 xi属于哪个聚类未知,以隐变量γ表示,其中

      

  γ为随机变量。则变量的完全数据为

     

  

  似然函数表示的是,在当前GMM模型的参数下,以上述方法形成的数据集,恰好构成了原本的数据集的概率。

  似然函数计算式:

      

  其中多维高斯分布函数(维数为dim):

    

  实际应用中常常使用对数似然函数:

    

EM算法

  EM算法(expectation maximization, 期望最大化),计算GMM模型分两步:

      1. E- step: 根据当前GMM模型的参数,计算(estimate)对数似然性的期望值

      2. M-step: 求使似然性(likelihood)期望最大的新的模型参数

E-step:

  对数似然性表达式:

   

  求期望要先明确一件事,随机变量是什么?

        隐变量γ

  

  

隐变量的期望称为聚类k对xi的响应度(responsibility)。记为

          

考虑到表示的意义是,xi是否属于聚类k。因此的期望就是在当前模型参数下,xi属于聚类k的概率,即

       

带入原式得:

  

def log_sum_exp(Z):
""" Compute log(\sum_i exp(Z_i)) for some array Z."""
return np.max(Z) + np.log(np.sum(np.exp(Z - np.max(Z)))) def loglikelihood(data, weights, means, covs):
""" Compute the loglikelihood of the data for a Gaussian mixture model. """
num_clusters = len(means)
num_dim = len(data[0])
num_data = len(data)
resp = compute_responsibilities(data, weights, means, covs) log_likelihood = 0
for k in range(num_clusters): Z = np.zeros(num_clusters)
for i in range(num_data): # Compute (x-mu)^T * Sigma^{-1} * (x-mu)
delta = np.array(data[i]) - means[k]
exponent_term = np.dot(delta.T, np.dot(np.linalg.inv(covs[k]), delta)) Z[k] += np.log(weights[k])
Z[k] -= 1/2. * (num_dim * np.log(2*np.pi) + np.log(np.linalg.det(covs[k])) + exponent_term)
Z[k] = resp[i][k]* Z[k] log_likelihood += log_sum_exp(Z) return log_likelihood

M-step:

求使似然性期望最大的新的模型参数。似然性期望的公式:

  

用这个式子分别对 { π, μ , Σ }这几个参数求偏导数,并令偏导数为0,即可得到新的模型参数。

聚类k的新参数计算:

         

EM是一种 坐标上升(coordinate-ascent)算法,多次迭代直到对数似然函数的值不再有明显变化,得到局部最优解。

def EM(data, init_means, init_covariances, init_weights, maxiter=1000, thresh=1e-4):
# Initialize
means = init_means[:]
covariances = init_covariances[:]
weights = init_weights[:]
num_data = len(data)
num_dim = len(data[0])
num_clusters = len(means)
resp = np.zeros((num_data, num_clusters))
log_likelihood = loglikelihood(data, weights, means, covariances)
ll_trace = [log_likelihood] for it in range(maxiter):
# E-step:
resp = compute_responsibilities(data, weights, means, covariances) # M-step:
# 更新 n(k),weight(k),mean(k),covariances(k)
counts = compute_counts(resp)
weights = compute_weights(counts)
means = compute_means(data, resp, counts)
covariances = compute_covariances(data, resp, counts, means) # 计算此次迭代之后的log likelihood
ll_latest = loglikelihood(data, weights, means, covariances)
ll_trace.append(ll_latest) # 收敛?
if (ll_latest - log_likelihood) < thresh and ll_latest > -np.inf:
break
log_likelihood = ll_latest model = {'weights': weights, 'means': means, 'covs': covariances, 'loglik': ll_trace, 'resp': resp} return model

retrival and clustering : week 4 GMM & EM 笔记的更多相关文章

  1. retrival and clustering: week 2 knn & LSH 笔记

    华盛顿大学 <机器学习> 笔记. knn k-nearest-neighbors : k近邻法 给定一个 数据集,对于查询的实例,在数据集中找到与这个实例最邻近的k个实例,然后再根据k个最 ...

  2. 机器学习-EM算法-GMM模型笔记

    GMM即高斯混合模型,下面根据EM模型从理论公式推导GMM: 随机变量X是有K个高斯分布混合而成,取各个高斯分布的概率为φ1,φ2,... ,φK,第i个高斯分布的均值为μi,方差为Σi.若观测到随机 ...

  3. retrival and clustering : week 3 k-means 笔记

    华盛顿大学 machine learning 笔记. K-means algorithm 算法步骤: 0. 初始化几个聚类中心 (cluster centers)μ1,μ2, … , μk 1. 将所 ...

  4. [Scikit-learn] 2.1 Clustering - Gaussian mixture models & EM

    原理请观良心视频:机器学习课程 Expectation Maximisation Expectation-maximization is a well-founded statistical algo ...

  5. EM 算法(三)-GMM

    高斯混合模型 混合模型,顾名思义就是几个概率分布密度混合在一起,而高斯混合模型是最常见的混合模型: GMM,全称 Gaussian Mixture Model,中文名高斯混合模型,也就是由多个高斯分布 ...

  6. 关于”机器学习方法“,&quot;深度学习方法&quot;系列

    "机器学习/深度学习方法"系列,我本着开放与共享(open and share)的精神撰写,目的是让很多其它的人了解机器学习的概念,理解其原理,学会应用.如今网上各种技术类文章非常 ...

  7. 机器学习方法:回归(一):线性回归Linear regression

    欢迎转载,转载请注明:本文出自Bin的专栏blog.csdn.net/xbinworld. 开一个机器学习方法科普系列:做基础回顾之用,学而时习之:也拿出来与大家分享.数学水平有限,只求易懂,学习与工 ...

  8. Expectation Maximization Algorithm

    期望最大化算法EM. 简介 EM算法即期望最大化算法,由Dempster等人在1976年提出[1].这是一种迭代法,用于求解含有隐变量的最大似然估计.最大后验概率估计问题.至于什么是隐变量,在后面会详 ...

  9. [Bayesian] “我是bayesian我怕谁”系列 - Variational Inference

    涉及的领域可能有些生僻,骗不了大家点赞.但毕竟是人工智能的主流技术,在园子却成了非主流. 不可否认的是:乃值钱的技术,提高身价的技术,改变世界观的技术. 关于变分,通常的课本思路是: GMM --&g ...

随机推荐

  1. ant-design getFieldDecorator 无法获取自定义组件的值

    1.自定义或第三方的表单控件,也可以与 Form 组件一起使用.只要该组件遵循以下的约定: (1)提供受控属性 value 或其它与 valuePropName 的值同名的属性. (2)提供 onCh ...

  2. vue 的 生命周期

    图示: 解析: 那么下面我们来进行测试一下 <section id="app-8"> {{data}} </section> var myVue=new V ...

  3. mac 安装2个xcode 时会导致找不到xcodebuild

    mac 安装2个xcode 时会导致找不到xcodebuild 解决方案: sudo  xcode-select --switch /Applications/Xcode.app/Contents/D ...

  4. SQL&EF优化第一篇 各种情况下的性能测试之count函数篇

    测试环境  mssql 08  +win7    数据 30W条 二〇一六年十月二十九日 09:04:43 结论:1>主键> *>可空列    推测未论证: 根据情况优先选择 顺便提 ...

  5. express 创建node服务器

    var express = require('express'); var app = new express(); app.listen(3000); app.get('/',function(re ...

  6. AMQP && MQTT comparision

    1. AMQP (Advanced Message Queuing Protocol) 2. MQTT (Message Queuing Telemetry Transport) Introducti ...

  7. STL容器分析--map

    映射和多重映射基于某一类型Key的键集的存在,提供对T类型的数据进行快速和高效的检索.

  8. 用js来传参到父网页实现

    今天搞了半天,用location.href提交参数到后台,结果php无法接收到参数,这让我找了半天,终于发现原因是本页被另外的主页引用了,最终发现问题出在提交js上,最终用parent.locatio ...

  9. 转:微软分布式云计算框架Orleans

    http://www.cnblogs.com/ants/p/5122068.html 一种构建分布式. 高规模(伸缩)的应用程序 微软对奥尔良计划(Project Orleans)云计算框架开源.奥尔 ...

  10. [git]git命令行自动补齐

    1. 下载Git-completion.bash github地址:https://github.com/markgandolfo/git-bash-completion.git 2. copy到用户 ...