PRML读书会第九章 Mixture Models and EM（Kmeans，混合高斯模型，Expectation Maximization）

主讲人 网络上的尼采

（新浪微博: @Nietzsche_复杂网络机器学习）

网络上的尼采(813394698) 9:10:56 
今天的主要内容有k-means、混合高斯模型、 EM算法。
对于k-means大家都不会陌生，非常经典的一个聚类算法，已经50多年了，关于clustering推荐一篇不错的survey:
Data clustering: 50 years beyond K-means。k-means表达的思想非常经典，就是对于复杂问题分解成两步不停的迭代进行逼近，并且每一步相对于前一步都是递减的。 
k-means有个目标函数 ：

假设有k个簇，是第k个簇的均值；每个数据点都有一个向量表示属于哪个簇，r_nk是向量的元素，如果点x_n属于第k个簇，则r_nk是1，向量的其他元素是0。
上面这个目标函数就是各个簇的点与簇均值的距离的总和，k-means要做的就是使这个目标函数最小。 这是个NP-hard问题，k-means只能收敛到局部最优。

算法的步骤非常简单：
先随机选k个中心点  
第一步也就是E步把离中心点近的数据点划分到这个簇里；
第二步M步根据各个簇里的数据点重新确定均值，也就是中心点。
然后就是迭代第一步和第二步，直到满足收敛条件为止。
自强<ccab4209211@qq.com> 9:29:00 
收敛是怎么判断的呀？
网络上的尼采(813394698) 9:30:16 
不再发生大的变化。大家思考下不难得出：无论E步还是M步,目标函数都比上一步是减少的。 下面是划分两个簇的过程 ：

下面这个图说明聚类过程中目标函数单调递减，经过三轮迭代就收敛了，由于目标函数只减不增，并且有界，所以k-means是可以保证收敛的：

书里还举例一个k-means对图像分割和压缩的例子：

图像分割后，每个簇由均值来表示，每个像素只存储它属于哪个簇就行了。压缩后图像的大小是k的函数 ：

现在讨论下k-means的性质和不足 ：

首先对初值敏感 ，由于只能收敛到局部最优，初值很大程度上决定它收敛到哪里；

从算法的过程可以看出，k-means对椭球形状的簇效果最好 ，不能发现任意形状的簇；

对孤立点干扰的鲁棒性差，孤立点是异质的，可以说是均值杀手，k-means又是围绕着均值展开的，试想下，原离簇的孤立点对簇的均值的拉动作用是非常大的。
针对这些问题后来又有了基于密度的DBSCAN算法，最近Science上发了另一篇基于密度的方法：Clustering by fast search and find of density peaks。基于密度的方法无论对clustering还是outliers detection效果都不错，和k-means不同，这些算法已经没有了目标函数，但鲁棒性强，可以发现任意形状的簇。 
另外如何自动确定k-means的k是目前研究较多的一个问题。k-means就到这里，现在一块讨论下。

口水猫(465191936) 9:49:20 
如果对于这批数据想做k-mean 聚类，那么如果去换算距离？
网络上的尼采(813394698) 9:49:53 
k-means一般基于欧式距离，关于距离度量是个专门的方向，点集有了度量才能有拓扑，有专门的度量学习这个方向。
口水猫(465191936) 9:50:08 
嗯嗯 有没有一些参考意见了，k的选择可以参考coursera上的视频 选择sse下降最慢的那个拐点的k

网络上的尼采(813394698) 9:51:41

关于选哪个k是最优的比较主观，有从结果稳定性来考虑的，毕竟一个算法首先要保证的是多次运行后结果相差不大，关于这方面有一篇survey:
Clustering stability an overview。另外还有其他自动选k的方法，DP、MDL什么的。MDL是最短描述长度，从压缩的角度来看k-means；DP是狄利克雷过程，一种贝叶斯无参方法，感兴趣可以看JORDAN小组的文章。

我们下面讲混合高斯模型GMM，第二章我们说过，高斯分布有很多优点并且普遍存在，但是单峰函数，所以对于复杂的分布表达能力差，我们可以用多个高斯分布的线性组合来逼近这些复杂的分布。我们看下GMM的线性组合形式：

对于每个数据点是哪个分布生成的，我们假设有个Z隐变量 ，和k-means类似，对于每个数据点都有一个向量z，如果是由第k个分布生成，元素z_k=1,其他为0。
z_k=1的概率的先验就是高斯分布前的那个系数：

下面是z_k=1概率的后验，由贝叶斯公式推导的：

其实很好理解，如果没有限制，数据点由哪个分布得出的概率大z_k=1的期望就大，但前面还有一个系数限制，所以期望形式是：

 
刚才有人问如何确定模型的参数，我们首先想到的就是log最大似然：

但是我们可以观察下这个目标函数，log里面有加和，求最优解是非常困难的，混合高斯和单个高斯的参数求法差别很大，如果里面有一个高斯分布坍缩成一个点，log似然函数会趋于无穷大。由于直接求解困难，这也是引入EM的原因。 
下面是GMM的图表示 ：

我们可以试想下，如果隐变量z_n是可以观测的，也就是知道哪个数据点是由哪个分布生成的，那么我们求解就会很方便，可以利用高斯分布直接得到解析解。 但关键的是z_n是隐变量，我们没法观测到。但是我们可以用它的期望来表示。 现在我们来看一下EM算法在GMM中的应用：

上面是EM对GMM的E步
我们首先对模型的参数初始化 
E步就是我们利用这些参数得z_nk的期望，这种形式我们前面已经提到了：

现在我们有隐藏变量的期望了，由期望得新的模型参数也就是M步，高斯分布的好处就在这儿，可以推导出新参数的闭式解：

然后不断迭代E步和M步直到满足收敛条件。

为什么要这么做，其实EM算法对我们前面提到的log最大似然目标函数：是单调递增的。
karnon(447457116) 10:39:42 
用EM来解GMM其实是有问题的，解出来的解并不是最优的。。
网络上的尼采(813394698) 10:40:14 
嗯，这个问题最后讲。

我们再来看EM更一般的形式：

是我们的目标函数，加入隐藏变量可以写成这种形式：

先初始化模型的参数，由于隐变量无法观测到，我们用参数来得到它的后验

然后呢，我们通过隐藏变量的期望得到新的完整数据的最大似然函数：

以上是E步，M步是求这个似然函数的Q函数的最优解，也就是新的参数：

注意这个Q函数是包含隐变量的完整数据的似然函数，不是我们一开始的目标函数

其实求完整数据的最大似然是在逼近我们目标函数的局部最优解，这个在后面讲。
下面这个是一般化EM算法的步骤：
EM算法只所以用途广泛在于有潜在变量的场合都能用，并不局限于用在GMM上。现在我们回过头来看混合高斯模型的M步，这些得到的新参数就是Q函数的最优解：

再思考下k-means，其实它是EM的特例，只不过是k-means对数据点的分配是硬性的，在E步每个数据点必须分配到一个簇，z里面只有一个1其他是0,而EM用的是z的期望：

下面这个图说明k-means是EM算法特例，这与前面k-means聚类的过程的图对应：

对于EM算法性质的证明最后讲，下面讲混合伯努利模型，高斯分布是针对连续的属性，伯努利是针对离散属性。混合形式：

目标函数，log里面同样有加和：

，。
z_nk=1的期望：

Q函数：

以上是E步，下面是M步的解，这两个：

其中：

书里举了一个手写字聚类的例子 ，先对像素二值化 ，然后聚成3个簇： 

这是3个簇的代表：

k=1时簇的代表：

=============================================================

最后说下EM算法为什么能收敛到似然函数的局部最优解:

我们的目标函数是分布的最大log似然

引入潜在变量，分布表示为：

定义隐藏变量的分布为q(z)，目标函数可以表达为下面形式，这个地方是神来一笔：

其中是与q(z)的KL散度；是q(z)的泛函形式。
我们原来讲过根据Jensen不等式来证明KL散度是非负的，这个性质在这里发挥了作用。由于是大于等于零的，所以是目标函数的下界。与目标函数什么时候相等呢？其实就是等于0的时候，也就是q(z)与z的后验分布相同时，这个时候就是E步z取它的期望时候。与目标函数相等是为了取一个比较紧的bound。
M步就是最大化，随着的增大，开始大于0，也就是目标函数比增大的幅度更大。这个过程是使目标函数一直单调递增的。下面是与Q函数的关系，这也是为什么M步新参数取完整数据的最大似然解的原因：

最后上一张非常形象的图，解释为什么EM能收敛到目标函数的局部最优：

红的曲线是目标函数；蓝的绿的曲线是两步迭代。
咱们先看蓝的E步和M步：

E步时就是取z的期望的时候，这时目标函数与相同；
M步就是最大化
绿线是下一轮的迭代，EM过程中，目标函数一直是单调上升的，并且有界，所以EM能够保证收敛。但不一定能收敛到最优解，这与初始值有很大关系，试想一下，目标函数的曲线变动下，EM就有可能收敛到局部最优了。

PRML读书会讲稿PDF版本以及更多资源下载地址：http://vdisk.weibo.com/u/1841149974