高斯混合模型GMM与EM算法的Python实现

本文转载自查看原文 2019-06-07 17:09 664 机器学习/ amp/ 数据挖掘&/ 概率与数学

GMM与EM算法的Python实现

高斯混合模型(GMM)是一种常用的聚类模型，通常我们利用最大期望算法(EM)对高斯混合模型中的参数进行估计。

1. 高斯混合模型(Gaussian Mixture models, GMM)

高斯混合模型（Gaussian Mixture Model，GMM）是一种软聚类模型。 GMM也可以看作是K-means的推广，因为GMM不仅是考虑到了数据分布的均值，也考虑到了协方差。和K-means一样，我们需要提前确定簇的个数。

GMM的基本假设为数据是由几个不同的高斯分布的随机变量组合而成。如下图，我们就是用三个二维高斯分布生成的数据集。

png

在高斯混合模型中，我们需要估计每一个高斯分布的均值与方差。从最大似然估计的角度来说，给定某个有 $n$

这里直接计算似然函数比较困难，于是我们引入隐变量(latent variable)，这里的隐变量就是每个样本属于每一簇的概率。假设 $W$

在已知 $W$

将其写成

其中 $P (X_{i} | μ_{j}, σ_{j})$

以一维高斯分布为例，

2. 最大期望算法(Expectation–Maximization, EM)

有了隐变量还不够，我们还需要一个算法来找到最佳的 $W$

简单说来，EM算法分两个步骤。

第一个步骤是E（期望），用来更新隐变量 $W$
第二个步骤是M（最大化），用来更新GMM中各高斯分布的参量 $μ_{j}$

然后重复进行以上两个步骤，直到达到迭代终止条件。

3. 具体步骤以及Python实现

完整代码在第4节。

首先，我们先引用一些我们需要用到的库和函数。

1 import numpy as np 2 import matplotlib.pyplot as plt 3 from matplotlib.patches import Ellipse 4 from scipy.stats import multivariate_normal 5 plt.style.use('seaborn')

接下来，我们生成2000条二维模拟数据，其中400个样本来自 $N (μ_{1}, {var}_{1})$

 1 # 第一簇的数据
 2 num1, mu1, var1 = 400, [0.5, 0.5], [1, 3]  3 X1 = np.random.multivariate_normal(mu1, np.diag(var1), num1)  4 # 第二簇的数据
 5 num2, mu2, var2 = 600, [5.5, 2.5], [2, 2]  6 X2 = np.random.multivariate_normal(mu2, np.diag(var2), num2)  7 # 第三簇的数据
 8 num3, mu3, var3 = 1000, [1, 7], [6, 2]  9 X3 = np.random.multivariate_normal(mu3, np.diag(var3), num3) 10 # 合并在一起
11 X = np.vstack((X1, X2, X3))

数据如下图所示：

1 plt.figure(figsize=(10, 8)) 2 plt.axis([-10, 15, -5, 15]) 3 plt.scatter(X1[:, 0], X1[:, 1], s=5) 4 plt.scatter(X2[:, 0], X2[:, 1], s=5) 5 plt.scatter(X3[:, 0], X3[:, 1], s=5) 6 plt.show()

png

3.1 变量初始化

首先要对GMM模型参数以及隐变量进行初始化。通常可以用一些固定的值或者随机值。

n_clusters 是GMM模型中聚类的个数，和K-Means一样我们需要提前确定。这里通过观察可以看出是3。（拓展阅读：如何确定GMM中聚类的个数？）

n_points 是样本点的个数。

Mu 是每个高斯分布的均值。

Var 是每个高斯分布的方差，为了过程简便，我们这里假设协方差矩阵都是对角阵。

W 是上面提到的隐变量，也就是每个样本属于每一簇的概率，在初始时，我们可以认为每个样本属于某一簇的概率都是 $1 / 3$

Pi 是每一簇的比重，可以根据W求得，在初始时，Pi = [1/3, 1/3, 1/3]

1 n_clusters = 3
2 n_points = len(X) 3 Mu = [[0, -1], [6, 0], [0, 9]] 4 Var = [[1, 1], [1, 1], [1, 1]] 5 Pi = [1 / n_clusters] * 3
6 W = np.ones((n_points, n_clusters)) / n_clusters 7 Pi = W.sum(axis=0) / W.sum()

3.2 E步骤

E步骤中，我们的主要目的是更新W。第 $i$

根据 $W$

 1 def update_W(X, Mu, Var, Pi):  2     n_points, n_clusters = len(X), len(Pi)  3     pdfs = np.zeros(((n_points, n_clusters)))  4     for i in range(n_clusters):  5         pdfs[:, i] = Pi[i] * multivariate_normal.pdf(X, Mu[i], np.diag(Var[i]))  6     W = pdfs / pdfs.sum(axis=1).reshape(-1, 1)  7     return W  8 
 9 
10 def update_Pi(W): 11     Pi = W.sum(axis=0) / W.sum() 12     return Pi

以下是计算对数似然函数的logLH以及用来可视化数据的plot_clusters。

 1 def logLH(X, Pi, Mu, Var):  2     n_points, n_clusters = len(X), len(Pi)  3     pdfs = np.zeros(((n_points, n_clusters)))  4     for i in range(n_clusters):  5         pdfs[:, i] = Pi[i] * multivariate_normal.pdf(X, Mu[i], np.diag(Var[i]))  6     return np.mean(np.log(pdfs.sum(axis=1)))  7 
 8 
 9 def plot_clusters(X, Mu, Var, Mu_true=None, Var_true=None): 10     colors = ['b', 'g', 'r'] 11     n_clusters = len(Mu) 12     plt.figure(figsize=(10, 8)) 13     plt.axis([-10, 15, -5, 15]) 14     plt.scatter(X[:, 0], X[:, 1], s=5) 15     ax = plt.gca() 16     for i in range(n_clusters): 17         plot_args = {'fc': 'None', 'lw': 2, 'edgecolor': colors[i], 'ls': ':'} 18         ellipse = Ellipse(Mu[i], 3 * Var[i][0], 3 * Var[i][1], **plot_args) 19  ax.add_patch(ellipse) 20     if (Mu_true is not None) & (Var_true is not None): 21         for i in range(n_clusters): 22             plot_args = {'fc': 'None', 'lw': 2, 'edgecolor': colors[i], 'alpha': 0.5} 23             ellipse = Ellipse(Mu_true[i], 3 * Var_true[i][0], 3 * Var_true[i][1], **plot_args) 24  ax.add_patch(ellipse) 25     plt.show()

3.2 M步骤

M步骤中，我们需要根据上面一步得到的W来更新均值Mu和方差Var。 Mu和Var是以W的权重的样本X的均值和方差。

因为这里的数据是二维的，第 $m$

第 $m$

以上迭代公式写成如下函数update_Mu和update_Var。

 1 def update_Mu(X, W):  2     n_clusters = W.shape[1]  3     Mu = np.zeros((n_clusters, 2))  4     for i in range(n_clusters):  5         Mu[i] = np.average(X, axis=0, weights=W[:, i])  6     return Mu  7 
 8 def update_Var(X, Mu, W):  9     n_clusters = W.shape[1] 10     Var = np.zeros((n_clusters, 2)) 11     for i in range(n_clusters): 12         Var[i] = np.average((X - Mu[i]) ** 2, axis=0, weights=W[:, i]) 13     return Var

3.3 迭代求解

下面我们进行迭代求解。

图中实现是真实的高斯分布，虚线是我们估计出的高斯分布。可以看出，经过5次迭代之后，两者几乎完全重合。

1 loglh = [] 2 for i in range(5): 3  plot_clusters(X, Mu, Var, [mu1, mu2, mu3], [var1, var2, var3]) 4  loglh.append(logLH(X, Pi, Mu, Var)) 5     W = update_W(X, Mu, Var, Pi) 6     Pi = update_Pi(W) 7     Mu = update_Mu(X, W) 8     print('log-likehood:%.3f'%loglh[-1]) 9     Var = update_Var(X, Mu, W)

png

1 log-likehood:-8.054

png

1 log-likehood:-4.731

png

1 log-likehood:-4.729

png

1 log-likehood:-4.728

png

1 log-likehood:-4.728

4. 完整代码

 1 import numpy as np  2 import matplotlib.pyplot as plt  3 from matplotlib.patches import Ellipse  4 from scipy.stats import multivariate_normal  5 plt.style.use('seaborn')  6 
 7 # 生成数据
 8 def generate_X(true_Mu, true_Var):  9     # 第一簇的数据
10     num1, mu1, var1 = 400, true_Mu[0], true_Var[0] 11     X1 = np.random.multivariate_normal(mu1, np.diag(var1), num1) 12     # 第二簇的数据
13     num2, mu2, var2 = 600, true_Mu[1], true_Var[1] 14     X2 = np.random.multivariate_normal(mu2, np.diag(var2), num2) 15     # 第三簇的数据
16     num3, mu3, var3 = 1000, true_Mu[2], true_Var[2] 17     X3 = np.random.multivariate_normal(mu3, np.diag(var3), num3) 18     # 合并在一起
19     X = np.vstack((X1, X2, X3)) 20     # 显示数据
21     plt.figure(figsize=(10, 8)) 22     plt.axis([-10, 15, -5, 15]) 23     plt.scatter(X1[:, 0], X1[:, 1], s=5) 24     plt.scatter(X2[:, 0], X2[:, 1], s=5) 25     plt.scatter(X3[:, 0], X3[:, 1], s=5) 26  plt.show() 27     return X 28 
29 
30 # 更新W
31 def update_W(X, Mu, Var, Pi): 32     n_points, n_clusters = len(X), len(Pi) 33     pdfs = np.zeros(((n_points, n_clusters))) 34     for i in range(n_clusters): 35         pdfs[:, i] = Pi[i] * multivariate_normal.pdf(X, Mu[i], np.diag(Var[i])) 36     W = pdfs / pdfs.sum(axis=1).reshape(-1, 1) 37     return W 38 
39 
40 # 更新pi
41 def update_Pi(W): 42     Pi = W.sum(axis=0) / W.sum() 43     return Pi 44 
45 
46 # 计算log似然函数
47 def logLH(X, Pi, Mu, Var): 48     n_points, n_clusters = len(X), len(Pi) 49     pdfs = np.zeros(((n_points, n_clusters))) 50     for i in range(n_clusters): 51         pdfs[:, i] = Pi[i] * multivariate_normal.pdf(X, Mu[i], np.diag(Var[i])) 52     return np.mean(np.log(pdfs.sum(axis=1))) 53 
54 
55 # 画出聚类图像
56 def plot_clusters(X, Mu, Var, Mu_true=None, Var_true=None): 57     colors = ['b','g','r'] 58     n_clusters = len(Mu) 59     plt.figure(figsize=(10,8)) 60     plt.axis([-10,15,-5,15]) 61     plt.scatter(X[:,0], X[:,1], s=5) 62     ax = plt.gca()for i in range(n_clusters): 63         plot_args ={'fc':'None','lw':2,'edgecolor': colors[i],'ls':':'} 64         ellipse =Ellipse(Mu[i],3*Var[i][0],3*Var[i][1],**plot_args) 65         ax.add_patch(ellipse)if(Mu_trueisnotNone)&(Var_trueisnotNone):for i in range(n_clusters): 66             plot_args ={'fc':'None','lw':2,'edgecolor': colors[i],'alpha':0.5} 67             ellipse =Ellipse(Mu_true[i],3*Var_true[i][0],3*Var_true[i][1],**plot_args) 68  ax.add_patch(ellipse) 69     plt.show()# 更新Mudef update_Mu(X, W):
70     n_clusters = W.shape[1]Mu= np.zeros((n_clusters,2))for i in range(n_clusters):Mu[i]= np.average(X, axis=0, weights=W[:, i])returnMu# 更新Vardef update_Var(X,Mu, W):
71     n_clusters = W.shape[1]Var= np.zeros((n_clusters,2))for i in range(n_clusters):Var[i]= np.average((X -Mu[i])**2, axis=0, weights=W[:, i])returnVarif __name__ =='__main__':# 生成数据
72     true_Mu =[[0.5,0.5],[5.5,2.5],[1,7]] 73     true_Var =[[1,3],[2,2],[6,2]] 74     X = generate_X(true_Mu, true_Var)# 初始化
75     n_clusters =3
76     n_points = len(X)Mu=[[0,-1],[6,0],[0,9]]Var=[[1,1],[1,1],[1,1]]Pi=[1/ n_clusters]*3
77     W = np.ones((n_points, n_clusters))/ n_clusters 78     Pi= W.sum(axis=0)/ W.sum()# 迭代
79     loglh =[]for i in range(5): 80  plot_clusters(X,Mu,Var, true_Mu, true_Var) 81  loglh.append(logLH(X,Pi,Mu,Var)) 82         W = update_W(X,Mu,Var,Pi)Pi= update_Pi(W)Mu= update_Mu(X, W)print('log-likehood:%.3f'%loglh[-1])Var= update_Var(X,Mu, W)

本教程基于Python 3.6。

原创者：u_u | 修改校对：SofaSofa TeamM | 转自： http://sofasofa.io/tutorials/gmm_em/

免责声明！

本站转载的文章为个人学习借鉴使用，本站对版权不负任何法律责任。如果侵犯了您的隐私权益，请联系本站邮箱yoyou2525@163.com删除。

猜您在找 4. EM算法-高斯混合模型GMM详细代码实现 3. EM算法-高斯混合模型GMM EM算法和高斯混合模型GMM介绍 5. EM算法-高斯混合模型GMM+Lasso 6. EM算法-高斯混合模型GMM+Lasso详细代码实现 EM 算法求解高斯混合模型python实现高斯混合模型与EM算法统计学习：EM算法及其在高斯混合模型(GMM)中的应用采用EM算法对高斯混合模型（GMM）进行参数估计高斯混合模型(GMM)