高斯混合模型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。
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
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j 簇的概率。
在已知，
将其写成
其中个高斯分布中的概率密度函数。
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，从而得到GMM的模型参数。EM算法就是这样一个算法。
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。
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 np2 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
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()
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。
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 = 32 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。第簇的概率为：
根据，
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，第个分量的均值，
第个分量的方差，
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)
1 log-likehood:-8.054
1 log-likehood:-4.731
1 log-likehood:-4.729
1 log-likehood:-4.728
1 log-likehood:-4.728
4. 完整代码
1 import numpy as np2 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/
以上是 高斯混合模型GMM与EM算法的Python实现 的全部内容， 来源链接： utcz.com/z/388154.html
