发帖
雷达卡
CDA人工智能学院致力于以优质的人工智能在线教育资源助力学员的DT职业梦想！课程内容涵盖数据分析、机器学习、深度学习、人工智能、tensorFlow、PyTorch、知识图谱等众多核心技术及行业案例，让每一个学员都可以在线灵活学习，快速掌握AI时代的前沿技术。PS：私信我即可获取CDA会员1个月免费试听机会
1. 极大似然
极大似然（Maximum Likelihood）估计为用于已知模型的参数估计的统计学方法。
比如，我们想了解抛硬币是正面（head）的概率分布θ；那么可以通过最大似然估计方法求得。假如我们抛硬币10次，其中8次正面、2次反面；极大似然估计参数θ值：
其中，l(θ)为观测变量序列的似然函数（likelihood function of the observation sequence）。对l(θ)求偏导
因为似然函数l(θ)不是凹函数（concave），求解极大值困难。一般地，使用与之具有相同单调性的log-likelihood，如图所示
凹函数（concave）与凸函数（convex）的定义如图所示：
从图中可以看出，凹函数“容易”求解极大值，凸函数“容易”求解极小值。
2. EM算法
EM算法（Expectation Maximization）是在含有隐变量（latent variable）的模型下计算最大似然的一种算法。所谓隐变量，是指我们没有办法观测到的变量。
比如，有两枚硬币A、B，每一次随机取一枚进行抛掷，我们只能观测到硬币的正面与反面，而不能观测到每一次取的硬币是否为A；则称每一次的选择抛掷硬币为隐变量。
用Y表示观测数据，Z表示隐变量；Y和Z连在一起称为完全数据( complete-data )，观测数据Y又称为不完全数据(incomplete-data)。观测数据的似然函数：
求模型参数的极大似然估计：
因为含有隐变量，此问题无法求解。因此，Dempster等人提出EM算法用于迭代求解近似解。EM算法比较简单，分为两个步骤：
E步（E-step），以当前参数θ(i)计算Z的期望值
M步（M-step），求使Q(θ,θ(i))极大化的θ，确定第i+1次迭代的参数的估计值θ(i+1)
如此迭代直至算法收敛。关于算法的推导及收敛性证明，可参看李航的《统计学习方法》及Andrew Ng的《CS229 Lecture notes》。这里有一些极大似然以及EM算法的生动例子。
3. 实例
[2]中给出极大似然与EM算法的实例。如图所示，有两枚硬币A、B，每一个实验随机取一枚抛掷10次，共5个实验，我们可以观测到每一次所取的硬币，估计参数A、B为正面的概率θ=(θA,θB)，根据极大似然估计求解
如果我们不能观测到每一次所取的硬币，只能用EM算法估计模型参数，算法流程如图所示：
隐变量Z为每次实验中选择A或B的概率，则第一个实验选择A的概率为
按照上面的计算方法可依次求出隐变量Z，然后计算极大化的θ(i)。经过10次迭代，最终收敛。
关注“CDA人工智能学院”，回复“录播”获取更多人工智能精选直播视频！
京公网安备 11010802022788号
