Machine Learning Park--EM（最大期望算法）

9 EM算法（最大期望算法）

在前面聚类的博客当中，我们简单的讲解过使用EM算法求解GMM模型的过程，这里我们对EM算法深入进行探讨。

本文Github仓库已经同步文章与代码https://github.com/Gary-code/Machine-Learning-Park/tree/main/Part1%20Machine%20Learning%20Basics

代码说明：

最大期望算法（Expectation-maximization algorithm），是在概率模型中寻找参数最大似然估计或者最大后验估计的算法，其中概率模型依赖于无法观测的隐性变量。

算法两个核心步骤：

• E（计算期望）
  • 利用对隐藏变量的现有估计值，计算其最大似然估计值
• M（最大化）
  • 最大化在E步上求得的最大似然值来计算参数的值
  • M步上找到的参数估计值被用于下一个E步骤计算中，这个过程不断交替进行。
• 简单的一句话表示就是：知道结果，反推条件$\theta$

9.1 似然函数

似然函数是一种关于统计模型中的参数的函数，表示模型参数中的似然性。极大似然就相当于最大可能。

最大似然估计是已经知道了结果，然后寻求使该结果出现的可能性最大的条件，以此作为估计值。

极大似然函数求解步骤

我们通过一个例子来进行求解分析

假定我们要从10万个人当中抽取100个人来做身高统计，那么抽到这100个人的概率就是：

$L(\theta )=L\left(x_1,\dots ,x_n\mid \theta \right)={\prod }_{i=1}^{n}p\left(x_i\mid \theta \right),\theta \in \Theta$

现在，我们的目标就是求解出$\theta$值，使得$L(\theta )$的值最大。

为此我们定义对数似然函数，将其变成连加的形式：

$H(\theta )=\ln L(\theta )=\ln {\prod }_{i=1}^{n}p\left(x_i\mid \theta \right)={\sum }_{i=1}^n\ln p\left(x_i\mid \theta \right)$

在本科数学课程当中我们已经学过偏导数的求解方法，为此，我们对应求$L(\theta )$对所有参数的偏导数，也就是梯度了，从而$n$个未知的参数，就有$n$个方程，方程组的解就是似然函数的极值点了，最终得到这$n$个参数的值。

极大似然函数估计值求解步骤如下：

1. 写出似然函数；
2. 对似然函数取对数，并整理；
3. 求导数，令导数为0，得到似然方程；
4. 解似然方程，得到的参数即为所求；

9.2 EM算法求解

同样，我们也通过一个例子来讲解EM算法

两枚硬币A和B，假定随机抛掷后正面朝上概率分别为$PA$，$PB$。为了估计这两个硬币朝上的概率，咱们轮流抛硬币A和B，每一轮都连续抛5次，总共5轮：

硬币A被抛了15次，在第一轮、第三轮、第五轮分别出现了3次正、1次正、2次正，所以很容易估计出PA，类似的，PB也很容易计算出来(真实值)，如下：

PA = （3+1+2）/ 15 = 0.4 PB= （2+3）/10 = 0.5

问题来了，如果我们不知道抛的硬币是A还是B呢（即硬币种类是隐变量），然后再轮流抛五轮，得到如下结果：

现在我们的目标没变，还是估计$PA$和$PB$，需要怎么做呢？

显然，此时我们多了一个硬币种类的隐变量，设为z，可以把它认为是一个5维的向量$（z1,z2,z3,z4,z5)$，代表每次投掷时所使用的硬币，比如$z1$，就代表第一轮投掷时使用的硬币是A还是B。

• 但是，这个变量$z$不知道，就无法去估计PA和PB，所以，我们必须先估计出$z$，然后才能进一步估计PA和PB。
• 可要估计z，我们又得知道PA和PB，这样我们才能用极大似然概率法则去估计$z$，这不是鸡生蛋和蛋生鸡的问题吗，如何解决呢？

解决方法：

• 先随机初始化一个$PA和PB$，用它来估计$z$
• 然后基于$z$，还是按照最大似然概率法则去估计新的$PA$和$PB$
• 然后依次循环，如果新估计出来的$PA和PB$和我们真实值差别很大，继续上一步过程，直到PA和PB收敛到真实值为止。

先随便给PA和PB赋一个值，比如： 硬币A正面朝上的概率$PA=0.2$ 硬币B正面朝上的概率$PB=0.7$

然后，我们看看第一轮抛掷最可能是哪个硬币。

如果是硬币A，得出3正2反的概率为 :

$0.2\ast 0.2\ast 0.2\ast 0.8\ast 0.8=0.00512$

如果是硬币B，得出3正2反的概率为:

$0.7\ast 0.7\ast 0.7\ast 0.3\ast 0.3=0.03087$

然后依次求出其他4轮中的相应概率。做成表格如下：

按照最大似然法则： 第1轮中最有可能的是硬币B 第2轮中最有可能的是硬币A 第3轮中最有可能的是硬币A 第4轮中最有可能的是硬币B 第5轮中最有可能的是硬币A。

我们就把概率更大，即更可能是A的，即第2轮、第3轮、第5轮出现正的次数2、1、2相加，除以A被抛的总次数15（A抛了三轮，每轮5次），作为$z$的估计值，B的计算方法类似。然后我们便可以按照最大似然概率法则来估计新的PA和PB。
$$\begin{gathered} PA=\frac{2+1+2}{15}=0.33 \\ PB=\frac{3+3}{10}=0.6 \end{gathered}$$
就这样，不断迭代,不断接近真实值，这就是EM算法的神奇之处。

继续按照上面的思路，用估计出的$PA$和$PB$再来估计$z$，再用$z$来估计新的$PA$和$PB$，反复迭代下去，就可以最终得到$PA=0.4$，$PB=0.5$，此时无论怎样迭代，$PA$和$PB$的值都会保持0.4和0.5不变，于是乎，我们就找到了$PA$和$PB$的最大似然估计。

计算步骤总结

1. 随机初始化分布参数$\theta$

2. E步，求$Q$函数，对于每一个$i$，计算根据上一次迭代的模型参数来计算出隐性变量的后验概率（隐性变量的期望），来作为隐藏变量的现估计值：
   $$Q_i\left(z^{(i)}\right)=p\left(z^{(i)}\mid x^{(i)};\theta \right)$$

3. M步，求使$Q$函数获得极大时的参数取值,将似然函数最大化以获得新的参数值。
   $$\theta =\mathrm{argmax}\sum _i\sum _{z^{(i)}}{Q}_i\left(z^{(i)}\right)\log \frac{p\left(x^{(i)},z^{(i)};\theta \right)}{Q_i\left(z^{(i)}\right)}$$

4. 然后循环重复2、3步直到收敛。

用EM算法求解的模型一般有GMM或者协同过滤，k-means其实也属于EM。EM算法一定会收敛，但是可能收敛到局部最优。由于求和的项数将随着隐变量的数目指数上升，会给梯度计算带来麻烦。