retrival and clustering : week 4 GMM & EM 笔记
Posted smartweed
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了retrival and clustering : week 4 GMM & EM 笔记相关的知识,希望对你有一定的参考价值。
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)如何计算点 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
即
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
以上是关于retrival and clustering : week 4 GMM & EM 笔记的主要内容,如果未能解决你的问题,请参考以下文章
Clustering Methods: Benefits and Limitations
Ultra-Scalable Spectral Clustering and Ensemble Clustering