算法及其推广.ppt

关于算法及其推广第1页，共26页，星期日，2025年，2月5日EM算法是一种迭代算法，1977年由Dempster等人总结提出，用于含有隐变量的概率模型参数的极大似然估计，或极大后验概率估计。EM算法的每次迭代由两步组成：E步，求期望；M步，求极大。所以这一算法称为期望极大算法（ExpectationMaximization）,简称EM算法。第2页，共26页，星期日，2025年，2月5日极大似然估计极大似然估计是概率论在统计学中的应用，它是参数估计的方法之一。说的是已知某个随机样本满足某种概率分布，但是其中具体的参数不清楚，参数估计就是通过若干次实验，观察其结果，利用结果推出参数的大概值。第3页，共26页，星期日，2025年，2月5日极大似然估计似然函数：已知样本集X,X是通过概率密度p(x|θ)抽取。样本集X中各个样本的联合概率：为了便于分析，由于L(θ)是连乘的，还可以定义对数似然函数，将其变成连加的：第4页，共26页，星期日，2025年，2月5日极大似然估计求极值可以转换为以下方程：θ的极大似然估计量表示为：第5页，共26页，星期日，2025年，2月5日9.1EM算法的引入9.1.1 EM算法9.1.2 EM算法的导出9.1.3 EM算法在非监督学习中的应用9.2EM算法的收敛性第6页，共26页，星期日，2025年，2月5日9.1.1EM算法例9.1（三硬币模型）假设有3枚硬币，分别记作A,B,C.这些硬币正面出现的概率分别是π,p,q.进行如下掷硬币试验：先掷硬币A，根据其结果选出硬币B或硬币C，正面选硬币B，反面选硬币C；然后掷选出的硬币，掷硬币的结果，出现正面记作1，出现反面记作0；独立地重复n次试验（这里，n=10），观测结果如下：1,1,0,1,0,0,1,0,1,1假设只能观测到掷硬币的结果，不能观测掷硬币的过程。问如何估计三硬币正面出现的概率，即三硬币模型的参数。第7页，共26页，星期日，2025年，2月5日解三硬币模型可以写作y:观测变量，表示一次试验观测的结果是1或0z:隐变量，表示未观测到的掷硬币A的结果θ：θ=(π,p,q)是模型参数第8页，共26页，星期日，2025年，2月5日将观测数据表示为Y=(Y1,Y2,…,Yn)T,未观测数据表示为Z=(Z1,Z2,…,Zn)T,则观测数据的似然函数为 即考虑求模型参数θ=(π,p,q)的极大似然估计，即第9页，共26页，星期日，2025年，2月5日EM算法首先选取参数的初值，记作，然后通过下面的步骤迭代计算参数的估计值，直至收敛为止。第i次迭代参数的估计值为。EM算法的第i+1次迭代如下E步：计算在模型参数下观测数据yj来自掷硬币B的概率 那么观测数据yj来自硬币C的概率为1-μ(i+1)第10页，共26页，星期日，2025年，2月5日M步：先写出期望然后分别求导，计算模型参数的新估计值第11页，共26页，星期日，2025年，2月5日假设模型参数的初值取为由E步公式对yj=1与yj=0均有μj(1)=0.5利用M步迭代公式，得到继续计算μj(2)=0.5，j=1,2,…,10继续迭代，得于是得到模型参数θ的极大似然估计： EM算法与初值的选择有关，选择不同的初值可能得到不同的参数估计值。如果取初值 那么得到的模型参数的极大似然估计是第12页，共26页，星期日，2025年，2月5日算法9.1（EM算法）输入：观测变量数据Y，隐变量数据Z，联合概率分布P(Y,Z|θ)，条件概率分布P(Z,Y|θ)；输出：模型参数θ.（1）选择参数的初值，开始迭代，参数的初值可以任意选择，但需注意EM算法对初值是敏感的；（2）E步：记为第i次迭代参数θ的估计值，在第i+1次迭代得E步，计算这里，是在给定观测数据Y和当前的参数估计下隐变量数据Z的条件概率分布.注意，的第一个变元表示要极大化的参数，第2个变元表示参数的当前估计值.每次迭代实际在求Q函数及其极大；第13页，共26页，星期日，2025年，2月5日（3）M步：求使极大化的θ，确定i+1次迭代得参数的估计值（4）重复第（2）步和第（3）步，直到收敛，这里给出停止迭代得条件，一般是对较小的