EM(Expectation-Maximum)算法
简介
EM算法的核心分为两步
E步(Expection-Step)
M步(Maximization-Step)
因为在最大化过程中存在两个参量 r,\theta,其中若知道 r,则知道 \theta;若知道 \theta,则知道 r。且两个量未存在明显的关系,但又互相依存可以采用EM算法
其中主要思想为:
首先随机初始化参数 r
然后求的在参数 r下按照极大似然估计求得参数 \theta
然后根据参数 \theta按照极大似然估计求得参数 r
循环至收敛
算法示例
如下图所示存在A,B两种硬币,其中抛出正反面的概率未知,其中H
表示正面,F
表示反面
根据统计可得
可得
P(H|X=A)=\frac{24}{24+6}=0.8\\ P(H|X=B)=\frac{9}{9+11}=0.45
若更改条件,不知道此时抛出是哪一枚硬币,只知道抛出的结果,即
首先初始化,设
P(H|X=A)=0.6\\ P(H|X=B)=0.5
若当抛出的第一枚硬币为A时
此时的出现该情况的概率为 P_1(A)=0.6^5*(1-0.6)^5=0.0007962624
若当抛出的第一枚硬币为B时
此时的出现该情况的概率为 P_1(B)=0.5^5*(1-0.5)^5=0.0009765625
其中
P^1(A)=\frac{P_1(A)}{P_1(A)+P_1(B)}\approx0.45\\ P^1(B)=\frac{P_1(B)}{P_1(A)+P_1(B)}\approx0.55
同理可得
P^2(A)\approx0.80,P^2(B)\approx0.20\\ P^3(A)\approx0.73,P^3(B)\approx0.27\\ P^4(A)\approx0.35,P^4(B)\approx0.65\\ P^5(A)\approx0.65,P^5(B)\approx0.35
计算其数学期望
\begin{aligned} &E_1(H|X=A)=0.45*5=2.2\\ &E_1(T|X=A)=0.45*5=2.2\\ &E_1(H|X=B)=0.55*5=2.75\\ &E_1(T|X=B)=0.55*5=2.75\\ &E_2(H|X=A)=0.80*9=7.2\\ &E_2(T|X=A)=0.45*5=2.2\\ &E_2(H|X=B)=0.20*9=1.8\\ &E_2(T|X=B)=0.20*1=0.2\\ &E_3(H|X=A)=0.73*8=5.8\\ &E_3(T|X=A)=0.73*2=1.46\\ &E_3(H|X=B)=0.27*8=2.16\\ &E_3(T|X=B)=0.27*2=0.54\\ &E_4(H|X=A)=0.35*4=1.4\\ &E_4(T|X=A)=0.35*6=2.1\\ &E_4(H|X=B)=0.65*4=2.6\\ &E_4(T|X=B)=0.65*6=3.9\\ &E_5(H|X=A)=0.65*7=4.55\\ &E_5(T|X=A)=0.65*3=1.95\\ &E_5(H|X=B)=0.35*7=2.45\\ &E_5(T|X=B)=0.35*3=1.05\\ \end{aligned}
并计算其总共的期望
E(H|X=A)=\sum_{i=1}^5E_i(H|X=A)\approx21.3\\ E(H|X=A)=\sum_{i=1}^5E_i(T|X=A)\approx8.6\\ E(H|X=B)=\sum_{i=1}^5E_i(H|X=B)\approx11.7\\ E(H|X=B)=\sum_{i=1}^5E_i(T|X=B)\approx8.4\\
可得
P(H|X=A)=\frac{21.3}{21.3+8.6}=0.71\\ P(H|X=B)=\frac{11.7}{11.7+8.4}=0.58
由此循环直至收敛
得到最终
P(H|X=A)=0.80\\ P(H|X=B)=0.58
评论区