GMM聚类算法(公式证明分析)

2024-04-02 12:32

本文主要是介绍GMM聚类算法(公式证明分析),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

高斯分布

p ( x ∣ μ , σ 2 ) = 1 2 π σ e x p ( − ( x − μ ) 2 2 σ 2 ) p(x|\mu, \sigma^2)=\frac{1}{\sqrt{2\pi}\sigma}exp(-\frac{(x-\mu)^2}{2\sigma^2}) p(xμ,σ2)=2π σ1exp(2σ2(xμ)2)

d维多元高斯分布
p ( x ∣ μ , ∑ ) = 1 2 π d 2 ∣ ∑ ∣ 1 2 e x p ( − 1 2 ( x − μ ) ∑ ( x − μ ) ) p(x|\mu, \sum)=\frac{1}{{2\pi}^{\frac{d}{2}}|\sum|^{\frac{1}{2}}}exp(-\frac{1}{2}\frac{(x-\mu)}{\sum(x-\mu)}) p(xμ,)=2π2d211exp(21(xμ)(xμ))

对d维做极大似然估计:

给定数据 D = x 1 , . . . , x N D={x_1,..., x_N} D=x1,...,xN似然是 p ( D ∣ μ , ∑ ) = ∏ n = 1 N p ( x n ∣ μ , ∑ ) p(D|\mu,\sum) = \prod_{n=1}^{N}p(x_n | \mu, \sum) p(Dμ,)=n=1Np(xnμ,)

MLE 估计:
( μ M L , ∑ M L ) = a r g m a x μ , ∑ l o g p ( D ∣ μ , ∑ ) (\mu_{ML},\sum{ML}) = \underset{\mu, \sum}{argmax}logp(D|\mu,\sum) (μML,ML)=μ,argmaxlogp(Dμ,),
μ M L = 1 N ∑ n = 1 N x n \mu_{ML} = \frac{1}{N}\sum_{n=1}^{N}x_n μML=N1n=1Nxn
( ∑ M L ) 2 = 1 N ∑ n = 1 N ( x n − μ M L ) ( x n − μ M L ) T (\sum ML)^2 = \frac{1}{N}\sum_{n=1}^{N}(x_n-\mu_{ML})(x_n-\mu_{ML})^T (ML)2=N1n=1N(xnμML)(xnμML)T

为什么使用高斯分布

如何p(x,y)联合分布是高斯分布,那么p(x)是高斯分布,同样p(y)也是高斯分布。

混合高斯分布

单个高斯分布只有一个mode,单个高斯分布不能模拟多个mode的数据。
使用多个高斯分布,就可以对数据进行聚类。

单峰的高斯分布作为basis 分布,多个高斯分布使用线性叠加(这种思路类似boost的想法),即混合高斯。
p ( x ) = ∑ k = 1 K π k N ( x ∣ μ k , σ k 2 ) p(x) = \sum_{k=1}^{K}\pi_k\mathbb{N}(x|\mu_k, \sigma^2_k) p(x)=k=1KπkN(xμk,σk2)
π k \pi_k πk有约束, ∑ π k = 1 \sum\pi_k=1 πk=1

学习混合高斯分布

Log -likehood

log似然:
£ ( μ , ∑ ) = l o g p ( D ∣ π , μ , ∑ ) = ∑ n = 1 N l o g ( ∑ k = 1 K π k N ( x ∣ μ k , ∑ k ) \pounds(\mu, \sum) = log p(D|\pi,\mu,\sum) = \sum_{n=1}^{N}log(\sum_{k=1}^K \pi_k\mathbb{N}({x|\mu_k,\sum _k}) £(μ,)=logp(Dπ,μ,)=n=1Nlog(k=1KπkN(xμk,k)

但是MLE是复杂的,对于单个高斯分布,MLE是简单的。

简单的分析:

  • ∂ £ ∂ μ k = 0 \frac{\partial \pounds}{\partial \mu_k} = 0 μk£=0得到
    ∑ n = 1 N = π k N ( x n ∣ μ k , ∑ k ) ∑ j π j N ( x n ∣ μ k , ∑ k ) ( ∑ k ( x n − μ k ) ) − 1 \sum_{n=1}^{N} = \frac{\pi_k\mathbb{N}({x_n|\mu_k,\sum _k})}{\sum_j\pi_j\mathbb{N}({x_n|\mu_k,\sum _k})}(\sum_k(x_n-\mu_k))^{-1} n=1N=jπjN(xnμk,k)πkN(xnμk,k)(k(xnμk))1

γ ( z n k ) = π k N ( x n ∣ μ k , ∑ k ) ∑ j π j N ( x n ∣ μ k , ∑ k ) \gamma (z_{nk}) = \frac{\pi_k\mathbb{N}({x_n|\mu_k,\sum _k})}{\sum_j\pi_j\mathbb{N}({x_n|\mu_k,\sum _k})} γ(znk)=jπjN(xnμk,k)πkN(xnμk,k)

μ k = 1 N k ∑ n = 1 N γ ( z n k ) x n \mu_k = \frac{1}{N_k}\sum_{n=1}^{N}\gamma (z_{nk})x_n μk=Nk1n=1Nγ(znk)xn,

N k = ∑ n = 1 N γ ( z n k ) N_k= \sum_{n=1}^{N}\gamma (z_{nk}) Nk=n=1Nγ(znk) , N k N_k Nk是所有数据拟合到k分布上面的权重和。

这里的 μ k \mu_k μk也是 1 N k \frac{1}{N_k} Nk1求均。

  • ∂ £ ∂ ∑ k = 0 \frac{\partial \pounds}{\partial \sum_k} = 0 k£=0得到

∑ k = 1 N k ∑ n = 1 N γ ( z n k ) ( x n − μ k ) ( x n − μ k ) T \sum_k = \frac{1}{N_k}\sum_{n=1}^N \gamma(z_{nk})(x_n-\mu_k)(x_n - \mu_k)^T k=Nk1n=1Nγ(znk)(xnμk)(xnμk)T

  • ∂ L ∂ π k = 0 \frac{\partial L}{\partial \pi_k} =0 πkL=0

由于对 π k \pi_k πk有约束, ∑ π k = 1 \sum\pi_k=1 πk=1,使用拉格朗日求 π k \pi_k πk
L = £ ( μ , ∑ ) + λ ( ∑ k = 1 K π k − 1 ) L = \pounds(\mu, \sum)+\lambda(\sum_{k=1}^K\pi_k -1) L=£(μ,)+λ(k=1Kπk1)

∑ n = 1 N N ( x n ∣ μ k , ∑ k ) ∑ j π j N ( x n ∣ μ k , ∑ k ) + λ = 0 \sum_{n=1}^N \frac{\mathbb{N}({x_n|\mu_k,\sum _k})}{\sum_j\pi_j\mathbb{N}({x_n|\mu_k,\sum _k})} + \lambda=0 n=1NjπjN(xnμk,k)N(xnμk,k)+λ=0

π k = N k N \pi_k=\frac{N_k}{N} πk=NNk

综上结果

π k = N k N \pi_k=\frac{N_k}{N} πk=NNk
μ k = 1 N k ∑ n = 1 N γ ( z n k ) x n \mu_k = \frac{1}{N_k}\sum_{n=1}^{N}\gamma (z_{nk})x_n μk=Nk1n=1Nγ(znk)xn
∑ k = 1 N k ∑ n = 1 N γ ( z n k ) ( x n − μ k ) ( x n − μ k ) T \sum_k = \frac{1}{N_k}\sum_{n=1}^N \gamma(z_{nk})(x_n-\mu_k)(x_n - \mu_k)^T k=Nk1n=1Nγ(znk)(xnμk)(xnμk)T

γ ( z n k ) = π k N ( x n ∣ μ k , ∑ k ) ∑ j π j N ( x n ∣ μ k , ∑ k ) \gamma (z_{nk}) = \frac{\pi_k\mathbb{N}({x_n|\mu_k,\sum _k})}{\sum_j\pi_j\mathbb{N}({x_n|\mu_k,\sum _k})} γ(znk)=jπjN(xnμk,k)πkN(xnμk,k)

关键是求,但是 γ ( z n k ) \gamma (z_{nk}) γ(znk) 是未知的。

EM算法引入

解决上面鸡生蛋,蛋生鸡的 γ ( z n k ) \gamma (z_{nk}) γ(znk)求解。
E-step

γ ( z n k ) = π k N ( x n ∣ μ k , ∑ k ) ∑ j π j N ( x n ∣ μ k , ∑ k ) \gamma (z_{nk}) = \frac{\pi_k\mathbb{N}({x_n|\mu_k,\sum _k})}{\sum_j\pi_j\mathbb{N}({x_n|\mu_k,\sum _k})} γ(znk)=jπjN(xnμk,k)πkN(xnμk,k), γ \gamma γ实际上是后验分布,假设第n个样本拟合到k分布上面 p ( z n k = 1 ∣ x n , μ , ∑ ) p(z_{nk}=1 | x_n, \mu, \sum) p(znk=1xn,μ,)

M-step

π k = N k N \pi_k=\frac{N_k}{N} πk=NNk
μ k = 1 N k ∑ n = 1 N γ ( z n k ) x n \mu_k = \frac{1}{N_k}\sum_{n=1}^{N}\gamma (z_{nk})x_n μk=Nk1n=1Nγ(znk)xn
∑ k = 1 N k ∑ n = 1 N γ ( z n k ) ( x n − μ k ) ( x n − μ k ) T \sum_k = \frac{1}{N_k}\sum_{n=1}^N \gamma(z_{nk})(x_n-\mu_k)(x_n - \mu_k)^T k=Nk1n=1Nγ(znk)(xnμk)(xnμk)T
不断的迭代E步和M步进行计算,这里初始点的选取会影响混合高斯聚类的结果。

理解高斯分布

对于 p ( x ) = ∑ k = 1 K π k N ( x ∣ μ k , ∑ k ) p(x) = \sum_{k=1}^{K}\pi_k \mathbb{N}(x|\mu_k, \sum_k) p(x)=k=1KπkN(xμk,k)引入选择变量z
z = ( 0 1 0 ) z = \begin{pmatrix} 0\\ 1\\ 0 \end{pmatrix} z=010

p ( x , z ) = ∑ k = 1 K π k z k N ( x ∣ μ k , ∑ k ) z k p(x,z) = \sum_{k=1}^{K}\pi_k^{z_k} \mathbb{N}(x|\mu_k, \sum_k)^{z_k} p(x,z)=k=1KπkzkN(xμk,k)zk

  • 重新定义log-likehood
    l o g p ( D ∣ Θ ) = ∑ n = 1 N l o g ( ∑ z n p ( x n , z n ) ) logp(D|\Theta )=\sum_{n=1}^Nlog(\sum_{z_n}p(x_n, z_n)) logp(DΘ)=n=1Nlog(znp(xn,zn))

这里的 l o g ∑ log\sum log是很难求导的,所以我们使用Jensen不等式近似
l o g x 1 + x 2 2 ≥ l o g x 1 + l o g x 2 2 log\frac{x_1+x_2}{2} \geq \frac{logx_1 + logx_2}{2} log2x1+x22logx1+logx2 或者使用期望的表示方法 l o g E p ( x ) [ x ] ≥ E p ( x ) [ l o g x ] logE_{p(x)}[x] \geq E_{p(x)}[logx] logEp(x)[x]Ep(x)[logx]
引入 q ( z n ) q(z_n) q(zn)(在机器学习里面称为 Evidence lower bound):
l o g p ( D ∣ Θ ) = ∑ n = 1 N l o g ( ∑ z n q ( z n ) p ( x n , z n ) q ( z n ) ) ≥ ∑ n = 1 N ∑ z n q ( z n ) l o g ( p ( x n , z n ) q ( z n ) ) ≅ £ ( θ , q ( Z ) ) logp(D|\Theta )=\sum_{n=1}^Nlog(\sum_{z_n}q(z_n)\frac{p(x_n, z_n)}{q(z_n)}) \geq \sum_{n=1}^N\sum_{z_n}q(z_n)log(\frac{p(x_n,z_n)}{q(z_n)}) \cong \pounds(\theta , q(Z)) logp(DΘ)=n=1Nlog(znq(zn)q(zn)p(xn,zn))n=1Nznq(zn)log(q(zn)p(xn,zn))£(θ,q(Z))
q 一般意义上称为变分分布(变分的方法)。
但是lower bound 是可紧可松的,如何约定GAP
£ ( θ , q ( Z ) ) = ∑ n = 1 N { ∑ z n q ( z n ) l o g p ( x n , z n ) − ∑ z n q ( z n ) l o g q ( z n ) } = ∑ n = 1 N { ∑ z n q ( z n ) l o g ( p ( x n , z n ) p ( x n ) ) + l o g p ( x n ) − ∑ z n q ( z n ) l o g q ( z n ) } = l o g p ( D ∣ θ ) + ∑ n = 1 N { ∑ z n q ( z n ) l o g p ( z n ∣ x n ) − ∑ z n q ( z n ) l o g q ( z n ) } = l o g p ( D ∣ θ ) − K L ( q ( Z ) ∣ ∣ p ( Z ∣ D ) ) \pounds(\theta , q(Z))=\sum_{n=1}^N\left \{\sum_{z_n}q(z_n)logp(x_n,z_n) - \sum_{z_n}q(z_n)logq(z_n)\right \}\\ = \sum_{n=1}^N \left \{ \sum_{z_n}q(z_n)log(\frac{p(x_n,z_n)}{p(x_n)}) +logp(x_n) - \sum_{z_n}q(z_n)logq(z_n) \right \}\\ =logp(D|\theta) + \sum_{n=1}^N \left \{ \sum_{z_n}q(z_n)logp(z_n|x_n) -\sum_{z_n}q(z_n)logq(z_n) \right \}\\ =logp(D|\theta) - KL(q(Z)||p(Z|D)) £(θ,q(Z))=n=1N{znq(zn)logp(xn,zn)znq(zn)logq(zn)}=n=1N{znq(zn)log(p(xn)p(xn,zn))+logp(xn)znq(zn)logq(zn)}=logp(Dθ)+n=1N{znq(zn)logp(znxn)znq(zn)logq(zn)}=logp(Dθ)KL(q(Z)p(ZD))
上式中 l o g p ( D ∣ θ ) = ∑ n = 1 N l o g p ( x n ) logp(D|\theta) = \sum_{n=1}^Nlogp(x_n) logp(Dθ)=n=1Nlogp(xn)

所以lower bound的GAP是一个KL散度。
£ ( θ , q ( Z ) ) \pounds(\theta , q(Z)) £(θ,q(Z)) l o g p ( D ∣ θ ) logp(D|\theta) logp(Dθ)之间的GAP是KL散度,
l o g p ( D ∣ θ ) − £ ( θ , q ( Z ) ) = K L ( q ( Z ) ∣ ∣ p ( Z ∣ D ) ) logp(D|\theta) - \pounds(\theta , q(Z)) = KL(q(Z)||p(Z|D)) logp(Dθ)£(θ,q(Z))=KL(q(Z)p(ZD))
要使得GAP最小,则 K L ( q ( Z ) ∣ ∣ p ( Z ∣ D ) ) = 0 KL(q(Z)||p(Z|D)) =0 KL(q(Z)p(ZD))=0

  • EM算法
    最大化lower bound或者最小化GAP

E 步:
Maximize over q(Z) -> ∂ £ ∂ q = 0 \frac{\partial \pounds}{\partial q} =0 q£=0
其中 q ( z n ) = p ( z n ∣ x n ) q(z_n) = p(z_n|xn) q(zn)=p(znxn)等价与前面的 γ ( z n k ) \gamma(z_{nk}) γ(znk)

M 步:
Maximize over θ \theta θ -> ∂ £ ∂ θ = 0 \frac{\partial \pounds}{\partial \theta} =0 θ£=0

这篇关于GMM聚类算法(公式证明分析)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/869986

相关文章

Spring事务中@Transactional注解不生效的原因分析与解决

《Spring事务中@Transactional注解不生效的原因分析与解决》在Spring框架中,@Transactional注解是管理数据库事务的核心方式,本文将深入分析事务自调用的底层原理,解释为... 目录1. 引言2. 事务自调用问题重现2.1 示例代码2.2 问题现象3. 为什么事务自调用会失效3

SpringBoot实现MD5加盐算法的示例代码

《SpringBoot实现MD5加盐算法的示例代码》加盐算法是一种用于增强密码安全性的技术,本文主要介绍了SpringBoot实现MD5加盐算法的示例代码,文中通过示例代码介绍的非常详细,对大家的学习... 目录一、什么是加盐算法二、如何实现加盐算法2.1 加盐算法代码实现2.2 注册页面中进行密码加盐2.

找不到Anaconda prompt终端的原因分析及解决方案

《找不到Anacondaprompt终端的原因分析及解决方案》因为anaconda还没有初始化,在安装anaconda的过程中,有一行是否要添加anaconda到菜单目录中,由于没有勾选,导致没有菜... 目录问题原因问http://www.chinasem.cn题解决安装了 Anaconda 却找不到 An

Spring定时任务只执行一次的原因分析与解决方案

《Spring定时任务只执行一次的原因分析与解决方案》在使用Spring的@Scheduled定时任务时,你是否遇到过任务只执行一次,后续不再触发的情况?这种情况可能由多种原因导致,如未启用调度、线程... 目录1. 问题背景2. Spring定时任务的基本用法3. 为什么定时任务只执行一次?3.1 未启用

Java时间轮调度算法的代码实现

《Java时间轮调度算法的代码实现》时间轮是一种高效的定时调度算法,主要用于管理延时任务或周期性任务,它通过一个环形数组(时间轮)和指针来实现,将大量定时任务分摊到固定的时间槽中,极大地降低了时间复杂... 目录1、简述2、时间轮的原理3. 时间轮的实现步骤3.1 定义时间槽3.2 定义时间轮3.3 使用时

C++ 各种map特点对比分析

《C++各种map特点对比分析》文章比较了C++中不同类型的map(如std::map,std::unordered_map,std::multimap,std::unordered_multima... 目录特点比较C++ 示例代码 ​​​​​​代码解释特点比较1. std::map底层实现:基于红黑

利用Python实现添加或读取Excel公式

《利用Python实现添加或读取Excel公式》Excel公式是数据处理的核心工具,从简单的加减运算到复杂的逻辑判断,掌握基础语法是高效工作的起点,下面我们就来看看如何使用Python进行Excel公... 目录python Excel 库安装Python 在 Excel 中添加公式/函数Python 读取

Spring、Spring Boot、Spring Cloud 的区别与联系分析

《Spring、SpringBoot、SpringCloud的区别与联系分析》Spring、SpringBoot和SpringCloud是Java开发中常用的框架,分别针对企业级应用开发、快速开... 目录1. Spring 框架2. Spring Boot3. Spring Cloud总结1. Sprin

Spring 中 BeanFactoryPostProcessor 的作用和示例源码分析

《Spring中BeanFactoryPostProcessor的作用和示例源码分析》Spring的BeanFactoryPostProcessor是容器初始化的扩展接口,允许在Bean实例化前... 目录一、概览1. 核心定位2. 核心功能详解3. 关键特性二、Spring 内置的 BeanFactory

MyBatis-Plus中Service接口的lambdaUpdate用法及实例分析

《MyBatis-Plus中Service接口的lambdaUpdate用法及实例分析》本文将详细讲解MyBatis-Plus中的lambdaUpdate用法,并提供丰富的案例来帮助读者更好地理解和应... 目录深入探索MyBATis-Plus中Service接口的lambdaUpdate用法及示例案例背景