在本篇文章中将解释高斯混合模型（GMM）的关键部分背后的数学原理，即期望最大化（EM），以及如何将这些概念转换为Python。 这个故事的重点是EM或M-Step。
注意：这不是有关端到端GMM算法的全面说明。 要进行更深入的研究，请参阅我们以前翻译的文章。
期望最大化GMM中有一系列步骤，通常称为"期望最大化"，简称" EM"。 要解释如何理解EM数学，请首先考虑您可能要处理的模型。
样本由图形上的点表示。这些点形成一些不同的斑点。每个斑点都有一个中心，每个点都与每个斑点的中心相距一定距离。给定GMM模型数据，目标通常是根据最接近的中心按其样本点标记其他样本。有些点距离一个或多个中心几乎相等，因此，我们希望基于某种概率来标记点。
EM用到的符号要学习如何学习机器学习算法，您一生中需要一些希腊语。 因为算法中符号基本上都是以希腊文表示的。 尽管可能会想掩盖基础知识，但是对单个希腊字母的简单掌握可以帮助您理解算法中的重要概念。
算法可能会令人生畏且令人困惑。 例如，乍看之下，高度集中的希腊符号有时足以使人窒息。 但是不要浪费时间，我们在这里只要考虑现在要使用的符号即可
除此以外，我们也有一些英文字母在EM中代表GMM的意思。通常，英文字母围绕着希腊字母，就像小领航鱼围着大鲨鱼游动。就像小鱼一样，英文字母有一个重要的作用，它为如何解释算法提供了指导。
现在我们已经隔离了方程的每个组成部分，让我们通过检查M-Step，将它们组合成一些常用的数学短语，这些短语对于用EM语言进行对话很重要。
簇，高斯，字母J或K，有时还包括C：通常都是同一件事-如果我们有3个簇，那么您可能会听到"每个高斯"，"每个j"，"每个高斯j"或 "对于每个K组件"-这些都是谈论相同3个簇的不同方法。 在数据方面，我们可以绘制（x，y）样本/点的数组，并查看它们如何形成簇。
# a 2D array of samples [features and targets]
# the last column, targets [0,1,2], represent three clusters
# the first two columns are the points that make up our features
# each feature is just a set of points (x,y) in 2D space
# each row is a sample and cluster label
[[-7.72642091 -8.39495682 2. ]
[ 5.45339605 0.74230537 1. ]
[-2.97867201 9.55684617 0. ]
[ 6.04267315 0.57131862 1. ] ...]
软分类（Soft Assignments），概率，响应度（Responsibility）：聚类的一个主要思想是我们希望为每个样本找到一个数字，以告诉我们样本属于哪个聚类。 在GMM中，对于我们评估的每个样本，我们可能会返回代表"每个高斯j的响应度"，每个"软分类"或每个"概率"的值。
这些阶段通常都是关于同一件事的，但响应度与概率之间存在关键区别。
# an array of assignment data about the 2D array of samples
# each column represents a cluster
# each row represents data about each sample
# in each row, we have the probability that a sample belongs to one of three clusters - it adds up to 1 (as it should)
# but the sum of each column is a big number number (not 1)
print(assignments)
# sample output: an array of assignment data
[[1.00000000e 000 2.82033618e-118 1.13001412e-070]
[9.21706438e-074 1.00000000e 000 3.98146031e-029]
[4.40884339e-099 5.66602768e-053 1.00000000e 000]...]
print(np.sum(assignments[0])
# sample output: the sum across each row is 1
1
print(np.sum(assignments[:, 0])
# sample output: the sum in each col is a big number that varies
# Little Gamma: the really small numbers in each column
# Big Gamma: the sum of each column, or 33.0 in this sample33.0
大写伽玛，小写伽玛，J，N，x和i：EM中的核心任务是为每个群集优化三组参数，或者"对于每个j，优化w（），mew（ ）和方差（）。" 换句话说，群集的权重（），群集的中心点（）和群集的方差（）是多少？
对于权重（），我们将"大写伽玛"除以特征总数。 从更早的时候开始，我们就知道每个聚类j的大写伽玛只是将给定聚类的每个样本的分配值相加的结果（该数字之和不等于1）。 如下图所示
对于EM期间高斯的权重参数，请考虑一些简单的事情，例如添加数字列表，然后将其除以样本总数。
对于mew （），不是像我们之前那样将所有小写伽玛加到一个小写伽玛中，而是对每个聚类j和每个样本i将小写伽玛与特征x进行矩阵乘法。 如下图所示
请记住，mew只是每个簇的中心点-如果我们有3个簇，而我们的样本都是x，y坐标，那么mew将是3个x，y坐标的数组，每个簇一个。
# for figure 4 - mew (mu)
# same array of assignment data as before
# each column is a cluster of little gammas
print(assignments)
[[1.00000000e 000 2.82033618e-118 1.13001412e-070]
[9.21706438e-074 1.00000000e 000 3.98146031e-029]
[4.40884339e-099 5.66602768e-053 1.00000000e 000]...]
# the little gammas of cluster 0 is just column 0
[[1.00000000e 000 ]
[9.21706438e-074 ]
[4.40884339e-099 ]...]
# same array of sample data as before
# the first two columns are the x,y coordinates
# the last column is the cluster label of the sample
print(features)
[[-7.72642091 -8.39495682 2. ]
[ 5.45339605 0.74230537 1. ]
[-2.97867201 9.55684617 0. ]
[ 6.04267315 0.57131862 1. ] ...]
# for features, we just need its points
[[-7.72642091 -8.39495682 ]
[ 5.45339605 0.74230537 ]
[-2.97867201 9.55684617 ]
[ 6.04267315 0.57131862 ] ...]
# if using numpy (np) for matrix multiplication
# for cluster 0 ...
big_gamma = np.sum(assignments[:, 0]
mew = np.matmul(assignments[:, 0], features) / big_gamma
# returns an array of mew
[[-2.66780392 8.93576069]
[-6.95170962 -6.67621669]
[ 4.49951001 1.93892013]]
对于方差（），请考虑到现在，我们有了点和中心点-随着方差的出现，我们基本上正在评估每个样本的点（每个i的x）到每个群集的中心点（每个i的mew）的距离。 用EM语言来说，有些人可能会说" xi减去mewi乘以Big Gamma j。"
# for figure 5 - variance
# a sampling of variance for cluster 0 of n clusters
# given arrays for features and assignments...
x_i = features
big_gamma = np.sum(assignments[:, 0]
mew = np.matmul(assignments[:, 0], features) / big_gamma
numerator = np.matmul(assignments[:, 0], (x_i - mew) ** 2)
variance = numerator / big_gamma
# returns an array of variance
[[0.6422345 1.06006186]
[0.65254746 0.9274831 ]
[0.95031461 0.92519751]]
以上步骤都是关于EM中的M-Step或最大化-所有关于权值、mew和方差的都是关于优化的;但是，初始赋值数组呢?我们如何得到每个样本的概率数组这是EM中的E-Step，也就是期望。
在E-Step中，我们尝试用贝叶斯规则猜出每个点的分配-这会产生一组值，这些值指示每个点对高斯的响应度或概率。最初会与猜测值（后验值）相差很远，但是在通过E-Step和M-Step循环之后，这些猜测会变得更好，更接近客观的地面真理。
GMM算法重复M-Step 和 E-Step直到收敛。例如，收敛性可能是迭代的最大次数，或者当每轮猜测之间的差异变得非常小时。希望最终的结果是，数据中的每个样本都有一个软分配的标签。
总结在这篇文章中，我介绍了M-Step的高斯混合模型算法的期望最大化阶段的导航部分的理解。虽然从表面上看，数学似乎太复杂而无法处理，但我们可以通过理解其各个部分来处理其复杂性。例如，一些关键的理解，如发音的希腊符号和应用它们的操作与NumPy是重要的，以掌握总体概念。
作者：Justin Chae
deephub翻译组
,
