EM算法推导

来源:http://fuliang.iteye.com/blog/1621633


X是一个随机向量,我们希望找到 

使得 取得最大值,这就是关于 的最大似然估计。 
为了方便估计 ,我们一般引入log似然函数: 
 
EM算法是一个迭代的过程,假设第n次迭代当前 的估计是 。由于我们的目标是最大化 ,我们希望新一轮的更新 使得 
 
等价的,我们希望最大化他们的不同: 
 
现在我们考虑隐变量的问题,隐变量可能是没有观测到的或者缺失的变量,有时为了计算最大似然函数更容易解决也会引入隐变量,因为可以利用EM框架来方便计算。我们假设隐变量用Z来表示,那么 
 
我们重写一下 得到: 
 
利用Jensen's不定式: 
 
其中常量 并且  
 
 
 
 
 
 
其中由于  
所以有: 
 
我们可以写作: 
 
为了方便,我们定义: 
 
这样我们得到 
 

现在我们得到了似然函数 的下界  
另外我们观察到: 
 
 
 
所以当 时, 
 

所以任何能够增加 都会增加  
所以EM算法选择最大化  

最终我们得到: 
 
 
去掉相对于 的常量得到: 
 
 
 
 

所以EM包含以下迭代步骤: 
1、E-step: 得到条件期望  
2、M-step:求解 最大化该条件期望
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值