什么是EM算法？通過實例演示EM算法實現(xiàn)流程

EM算法也稱期望最大化(Expectation-Maximum,簡稱EM)算法。 它是一個基礎算法，是很多機器學習領域算法的基礎，比如隱式馬爾科夫算法(HMM)等等。 EM算法是一種迭代優(yōu)化策略，由于它的計算方法中每一次迭代都分兩步， 其中一個為期望步(E步)， 另一個為極大步(M步)， 所以算法被稱為EM算法(Expectation-Maximization Algorithm)。

EM算法受到缺失思想影響，最初是為了解決數(shù)據缺失情況下的參數(shù)估計問題，其算法基礎和收斂有效性等問題在Dempster、Laird和Rubin三人于1977年所做的文章《Maximum likelihood from incomplete data via the EM algorithm》中給出了詳細的闡述。其基本思想是：

  • 首先根據已經給出的觀測數(shù)據，估計出模型參數(shù)的值;

  • 然后再依據上一步估計出的參數(shù)值估計缺失數(shù)據的值，再根據估計出的缺失數(shù)據加上之前已經觀測到的數(shù)據重新再對參數(shù)值進行估計;

  • 然后反復迭代，直至最后收斂，迭代結束。

EM算法計算流程：

EM算法一個超級簡單的案例

假設現(xiàn)在有兩枚硬幣1和2，,隨機拋擲后正面朝上概率分別為P1，P2。為了估計這兩個概率，做實驗，每次取1枚硬幣，連擲5下，記錄下結果，如下：

可以很容易地估計出P1和P2，如下：

P1 = (3+1+2)/ 15 = 0.4 P2= (2+3)/10 = 0.5

到這里，一切似乎很美好，下面我們加大難度。 

加入隱變量z后的求解，還是上面的問題，現(xiàn)在我們抹去每輪投擲時使用的硬幣標記，如下：

現(xiàn)在我們的目標沒變，還是估計P1和P2，要怎么做呢?

顯然，此時我們多了一個隱變量z，可以把它認為是一個5維的向量(z1,z2,z3,z4,z5)，代表每次投擲時所使用的硬幣，

比如z1，就代表第一輪投擲時使用的硬幣是1還是2。但是，這個變量z不知道，就無法去估計P1和P2，所以，我們必須先估計出z，然后才能進一步估計P1和P2。

但要估計z，我們又得知道P1和P2，這樣我們才能用最大似然概率法則去估計z，這不是雞生蛋和蛋生雞的問題嗎，如何破?

EM初級版

我們不妨這樣，先隨便給P1和P2賦1個值，比如：

  • P1 = 0.2

  • P2 = 0.7

然后，我們看看第1輪拋擲最可能是哪個硬幣。

如果是硬幣1，得出3正2反的概率為 0.2 ∗ 0.2 ∗ 0.2 ∗ 0.8 ∗ 0.8 = 0.00512

如果是硬幣2，得出3正2反的概率為0.7 ∗ 0.7 ∗ 0.7 ∗ 0.3 ∗ 0.3 = 0.03087

然后依次求出其他4輪中的相應概率。做成表格如下：

按照最大似然法則：

第1輪中最有可能的是硬幣2

第2輪中最有可能的是硬幣1

第3輪中最有可能的是硬幣1

第4輪中最有可能的是硬幣2

第5輪中最有可能的是硬幣1

我們就把上面的值作為z的估計值。然后按照最大似然概率法則來估計新的P1和P2。

P1 = (2+1+2)/15 = 0.33 P2=(3+3)/10 = 0.6

設想我們是全知的神，知道每輪拋擲時的硬幣就是如本文第001部分標示的那樣，那么，P1和P2的最大似然估計就是0.4和0.5(下文中將這兩個值稱為P1和P2的真實值)。那么對比下我們初始化的P1和P2和新估計出的P1和P2：

看到沒?我們估計的P1和P2相比于它們的初始值，更接近它們的真實值了!

可以期待，我們繼續(xù)按照上面的思路，用估計出的P1和P2再來估計z，再用z來估計新的P1和P2，反復迭代下去，就可以最終得到P1 = 0.4，P2=0.5，此時無論怎樣迭代，P1和P2的值都會保持0.4和0.5不變，于是乎，我們就找到了P1和 P2的最大似然估計。

這里有兩個問題：

1、新估計出的P1和P2一定會更接近真實的P1和P2?

答案是：沒錯，一定會更接近真實的P1和P2，數(shù)學可以證明，但這超出了本?的主題，請參閱其他書籍或文章。

2、迭代一定會收斂到真實的P1和P2嗎?

答案是：不一定，取決于P1和P2的初始化值，上面我們之所以能收斂到P1和P2，是因為我們幸運地找到了好的初始化值。

EM進階版

下面，我們思考下，上面的方法還有沒有改進的余地?

我們是用最大似然概率法則估計出的z值，然后再用z值按照最大似然概率法則估計新的P1和P2。也就是說，我們使用了?個最可能的z值，?不是所有可能的z值。

如果考慮所有可能的z值，對每?個z值都估計出?個新的P1和P2，將每?個z值概率??作為權重，將所有新的P1和P2分別加權相加，這樣的P1和P2應該會更好?些。

所有的z值有多少個呢?

顯然，有2 = 32種，需要我們進行32次估值??

不需要，我們可以用期望來簡化運算。

利用上面這個表，我們可以算出每輪拋擲中使用硬幣1或者使用硬幣2的概率。

比如第1輪，使用硬幣1的概率是：

  • 0.00512/(0.00512 + 0.03087) = 0.14

使用硬幣2的概率是1-0.14=0.86

依次可以算出其他4輪的概率，如下：

上表中的右兩列表示期望值?？吹谝恍校?.86表示，從期望的?度看，這輪拋擲使用硬幣2的概率是0.86。相比于前面的方法，我們按照最大似然概率，直接將第1輪估計為用的硬幣2，此時的我們更加謹慎，我們只說，有0.14的概率是硬 幣1，有0.86的概率是硬幣2，不再是非此即彼。這樣我們在估計P1或者P2時，就可以用上全部的數(shù)據，而不是部分的數(shù)據，顯然這樣會更好一些。

這一步，我們實際上是估計出了z的概率分布，這步被稱作E步。 結合下表：

我們按照期望最大似然概率的法則來估計新的P1和P2：

以P1估計為例，第1輪的3正2反相當于

0.14*3=0.42正

0.14*2=0.28反

依次算出其他四輪，列表如下：

P1=4.22/(4.22+7.98)=0.35

可以看到，改變了z值的估計方法后，新估計出的P1要更加接近0.4。原因就是我們使用了所有拋擲的數(shù)據，而不是之前只使用了部分的數(shù)據。

這步中，我們根據E步中求出的z的概率分布，依據最?似然概率法則去估計P1和P2，被稱作M步。