提出混合模型主要是为了能更好地近似一些较复杂的样本分布,通过不断添加component个数,能够随意地逼近不论什么连续的概率分布。所以我们觉得不论什么样本分布都能够用混合模型来建模。由于高斯函数具有一些非常有用的性质。所以高斯混合模型被广泛地使用。
GMM与kmeans相似,也是属于clustering,不同的是。kmeans是把每一个样本点聚到当中一个cluster,而GMM是给出这些样本点到每一个cluster的概率。每一个component就是一个聚类中心。
GMM(Gaussian Mixture Model)高斯混合模型,由K个不同的Gaussian线性组合而成,每一个Gaussian是混合模型的一个component,GMM的概率密度函数例如以下:
依据上式。从GMM中生成一个样本点x分两步:
1,从K个component中随机的选择一个
2。从该component中选择一个点
參数说明:N个样本点。K个component,
对一个样本集建立高斯混合模型的过程,就是依据已知样本集X反推高斯混合模型的參数(
而一般对于单个样本点其概率较小。多个相乘后更小,easy造成浮点数下溢,所以通常是对似然函数求log,变成加和形式:
这个叫做log似然函数,目标是要最大化它。用log似然函数对參数分别求偏导。令偏导等于0,可求解得參数。
然而。GMM的log似然函数是例如以下形式:
能够看到对数中有求和,直接求导求解将导致一系列复杂的运算,故考虑使用EM算法。(详细思路见上一篇:EM算法学习笔记)
考虑GMM生成一个样本点的过程,这里对每一个
如果z是已知的。则样本集变成了{X,Z},要求解的似然函数变成了:
log似然函数为:
能够看到,这次ln直接对Gaussian作用,求和在ln外面,所以能够直接求最大似然解了。
1,初始化一组模型參数
2,E-step
然而。其实z是不知道的。我们仅仅是如果z已知。
而z的值是通过后验概率观測。所以这里考虑用z值的期望在上述似然函数中取代z。
对于一个样本点
后验概率(固定
由于{
计算z期望
将z值用期望取代。则待求解的log似然函数(*)式变为:
3,M-step
如今能够最大化似然函数求解參数了,首先对
再对
接下来还需求解
构造拉格朗日函数:
对
两边同乘
两边对k求和:
可得:
代入可得:
4,检查是否收敛
反复E-step和M-step两步。直到收敛,就可以求得一个局部最优解。
GMM的建模步骤例如以下图(k=2,高斯分布是蓝色和红色圈):
主要參考资料:
《Pattern Recognization and Machine Learning》
帮助理解:
http://blog.pluskid.org/?p=39