Python机器学习算法实现

Author：louwill

Machine Learning Lab

从本篇开始，整个机器学习系列还剩下最后三篇涉及导概率模型的文章，分别是EM算法、CRF条件随机场和HMM隐马尔科夫模型。本文主要讲解一下EM（Expection maximization），即期望最大化算法。EM算法是一种用于包含隐变量概率模型参数的极大似然估计方法，所以本文从极大似然方法说起，然后推广到EM算法。

极大似然估计

统计学专业的朋友对于极大似然估计一定是很熟悉了。极大似然是一种统计参数估计方法，对于某个随机样本满足某种概率分布，但其中的统计参数未知，我们通过若干次试验结果来估计参数的值的方法。

举个例子来说。比如说我们想了解一下某校学生的身高分布。我们先假设该校学生身高服从一个正态分布

，其中的分布参数

和

未知。全校大几万的学生，我们要一个个去实测肯定不现实。所以我们决定用统计抽样的方法，随机选取100名学生来看一下身高。

要通过这100人的身高来估算全校学生的身高，我们需要明确下面几个问题。第一个就是抽到这100人的概率是多少，因为每个人的选取都是独立的，所以选到这100人的概率可以表示为单个概率的乘积：

上式即为似然函数。通常为了计算方便，我们会对似然函数取对数：

第二个问题在于我们要解释一下为什么能够刚好抽到这100人。所以按照极大似然估计的理论，在学校这么多人中，我们恰好抽到这100人而不是另外的100人，正是因为这100人出现的概率极大，即其对应的似然函数

极大：

第三个问题在于如何求解。这个好办，直接对

求其参数的偏导数并令为0即可。

所以极大似然估计法可以看作由抽样结果对条件的反推，即已知某个参数能使这些样本出现的概率极大，我们就直接把该参数作为参数估计的真实值。

EM算法引入

上述基于全校学生身高服从一个分布的假设过于笼统，实际上该校男女生的身高分布是不一样的。其中男生的身高分布为

，女生的身高分布为

。现在我们估计该校学生的分布，就不能简单的一刀切了。

你可以说我们分别抽选50个男生和50个女生，对其分开进行估计。但大多数情况下，我们并不知道抽样得到的这个样本是来自于男生还是女生。如果说学生的身高的观测变量（Observable Variable），那么样本性别就是一种隐变量（Hidden Variable）。

在这种情况下，我们需要估计的问题包括两个：一个是这个样本是男的还是女的，二是男生和女生对应身高的正态分布参数分别是多少。这种情况下常规的极大似然估计就不太好使了，要估计男女身高分布，那必须先估计该学生是男还是女，反过来要估计该学生是男还是女，又得从身高来判断（男生身高相对较高，女生身高相对较矮）。但二者相互依赖，直接用极大似然估计没法算。

针对这种包含隐变量的参数估计问题，一般使用EM算法来进行求解。针对上述身高估计问题，EM算法的求解思想认为：既然两个问题相互依赖，肯定是一个动态求解过程。不如我们直接给定男生女生身高的分布初始值，根据初始值估计每个样本是男还是女的概率（E步），然后据此使用极大似然估计男女生的身高分布参数（M步），之后动态迭代调整直到满足终止条件为止。

EM算法

所以EM算法的应用场景就是要解决包含隐变量的概率模型参数估计问题。给定观测变量数据

，隐变量数据

，联合概率分布

以及关于隐变量的条件分布

，使用EM算法对模型参数

进行估计流程如下：

• 初始化模型参数
  
  
  
  

  
  
  
  
  
  
  
  
  
  
  
  ，进行迭代：

• E步：记
  
  
  
  

  
  
  
  
  
  
  
  
  
  
  
  为第
  
  
  
  
  
  次迭代参数
  
  
  
  
  
  的估计值，在第
  
  
  
  
  
  
  
  
  
  次迭代的E步，计算
  
  
  
  
  
  函数：
  其中
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  为给定观测数据
  
  
  
  
  
  和当前参数估计
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  下隐变量数据
  
  
  
  
  
  的条件概率分布；

• M步：求使
  
  
  

  
  
  函数最大化的参数
  
  
  
  
  
  ，确定第
  
  
  
  
  
  
  
  
  
  次迭代的参数估计值
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  
  ：

• 重复迭代E步和M步直至收敛。

由EM算法过程我们可以看到，其关键在于E步要确定

函数，E步在固定模型参数的情况下来估计隐变量分布，而M步则是固定隐变量来估计模型参数。二者交互进行，直至满足算法收敛条件。

三硬币模型

EM算法的一个经典例子是三硬币模型。假设有A，B，C三枚硬币，其出现正面的概率分别为

，

和

。使用三枚硬币进行如下试验：先抛掷硬币A，根据其结果来选择硬币B或者C，假设正面选B，反面选C，然后记录硬币结果，正面记为1，反面记为0，独立重复5次试验，每次试验重复抛掷B或者C10次。问如何估计三枚硬币分别出现正面的概率。

三硬币模型

由于我们只能观察到最后的抛掷结果，至于这个结果是由硬币A抛出来的还是由硬币B抛出来的，我们无从知晓。所以这个过程中依概率选择哪一个硬币抛掷就是一个隐变量。因此我们需要使用EM算法来进行求解。

E步：初始化B和C出现正面的概率为

和

，估计每次试验中选择B还是C的概率（即硬币A是正面还是反面的概率），例如选择B的概率为：

相应的选择C的概率为

。计算出每次试验选择B和C的概率，然后根据试验数据进行加权求和。

M步：更新模型参数的新估计值。根据

函数求导来确定参数值：

对上式求导并令为0可得第一次迭代后的参数值：

，然后重复进行第二轮、第三轮...直至模型收敛。

EM算法简易实现

下面我们用numpy来实现一个简单的EM算法过程来求解三硬币问题。完整代码如下：

import numpy as npdef em(data, thetas, max_iter=50, eps=1e-3):'''data：观测数据thetas：估计参数max_iter：最大迭代次数eps：收敛阈值'''# 初始化似然函数值ll_old = -np.inftyfor i in range(max_iter):### E步：求隐变量分布# 对数似然log_like = np.array([np.sum(data * np.log(theta), axis=1) for theta in thetas])# 似然like = np.exp(log_like)# 求隐变量分布ws = like/like.sum(0)# 概率加权vs = np.array([w[:, None] * data for w in ws])### M步：更新参数值thetas = np.array([v.sum(0)/v.sum() for v in vs])# 更新似然函数ll_new = np.sum([w*l for w, l in zip(ws, log_like)])print("Iteration: %d" % (i+1))print("theta_B = %.2f, theta_C = %.2f, ll = %.2f" % (thetas[0,0], thetas[1,0], ll_new))# 满足迭代条件即退出迭代if np.abs(ll_new - ll_old) < eps:breakll_old = ll_newreturn thetas

基于我们编写的EM算法函数来对三硬币问题进行求解：

# 观测数据，5次独立试验，每次试验10次抛掷的正反次数
# 比如第一次试验为5次正面5次反面
observed_data = np.array([(5,5), (9,1), (8,2), (4,6), (7,3)])
# 初始化参数值，即硬币B的正面概率为0.6，硬币C的正面概率为0.5
thetas = np.array([[0.6, 0.4], [0.5, 0.5]])
eps = 0.01
max_iter = 50
thetas = em(observed_data, thetas, max_iter=50, eps=1e-3)

迭代过程如下：

Iteration: 1
theta_B = 0.71, theta_C = 0.58, ll = -32.69
Iteration: 2
theta_B = 0.75, theta_C = 0.57, ll = -31.26
Iteration: 3
theta_B = 0.77, theta_C = 0.55, ll = -30.76
Iteration: 4
theta_B = 0.78, theta_C = 0.53, ll = -30.33
Iteration: 5
theta_B = 0.79, theta_C = 0.53, ll = -30.07
Iteration: 6
theta_B = 0.79, theta_C = 0.52, ll = -29.95
Iteration: 7
theta_B = 0.80, theta_C = 0.52, ll = -29.90
Iteration: 8
theta_B = 0.80, theta_C = 0.52, ll = -29.88
Iteration: 9
theta_B = 0.80, theta_C = 0.52, ll = -29.87
Iteration: 10
theta_B = 0.80, theta_C = 0.52, ll = -29.87
Iteration: 11
theta_B = 0.80, theta_C = 0.52, ll = -29.87
Iteration: 12
theta_B = 0.80, theta_C = 0.52, ll = -29.87

可以看到，算法在第七次时达到收敛，最后硬币B和C的正面概率分别为0.8和0.52。

关于EM算法，本文没有太多深入的解释，关于似然函数下界的推导，EM算法的多种解释等，感兴趣的朋友可以自行查找资料学习。

参考资料：

李航 统计学习方法 第二版

https://zhuanlan.zhihu.com/p/36331115

往期精彩：

数学推导+纯Python实现机器学习算法20：随机森林

---

一个算法工程师的成长之路

长按二维码.关注机器学习实验室

喜欢您就点个在看！