Вчера я реализовал GMM (модель гауссовой смеси) с использованием алгоритма максимизации ожиданий.GMM - loglikelihood не является монотонным
Как вы помните, оно моделирует некоторое распространение в виде смеси гауссианцев, которые нам нужно узнать о ее средствах и отклонениях, а также весах для каждого гаусса.
это математика позади кода (его не так уж сложно) http://mccormickml.com/2014/08/04/gaussian-mixture-models-tutorial-and-matlab-code/
это мой код:
import numpy as np
from scipy.stats import multivariate_normal
import matplotlib.pyplot as plt
#reference for this code is http://mccormickml.com/2014/08/04/gaussian-mixture-models-tutorial-and-matlab-code/
def expectation(data, means, covs, priors): #E-step. returns the updated probabilities
m = data.shape[0] #gets the data, means covariances and priors of all clusters
numOfClusters = priors.shape[0]
probabilities = np.zeros((m, numOfClusters))
for i in range(0, m):
for j in range(0, numOfClusters):
sum = 0
for l in range(0, numOfClusters):
sum += normalPDF(data[i, :], means[l], covs[l]) * priors[l, 0]
probabilities[i, j] = normalPDF(data[i, :], means[j], covs[j]) * priors[j, 0]/sum
return probabilities
def maximization(data, probabilities): #M-step. this updates the means, covariances, and priors of all clusters
m, n = data.shape
numOfClusters = probabilities.shape[1]
means = np.zeros((numOfClusters, n))
covs = np.zeros((numOfClusters, n, n))
priors = np.zeros((numOfClusters, 1))
for i in range(0, numOfClusters):
priors[i, 0] = np.sum(probabilities[:, i])/m #update priors
for j in range(0, m): #update means
means[i] += probabilities[j, i] * data[j, :]
vec = np.reshape(data[j, :] - means[i, :], (n, 1))
covs[i] += probabilities[j, i] * np.dot(vec, vec.T) #update covs
means[i] /= np.sum(probabilities[:, i])
covs[i] /= np.sum(probabilities[:, i])
return [means, covs, priors]
def normalPDF(x, mean, covariance): #this is simply multivariate normal pdf
n = len(x)
mean = np.reshape(mean, (n,))
x = np.reshape(x, (n,))
var = multivariate_normal(mean=mean, cov=covariance,)
return var.pdf(x)
def initClusters(numOfClusters, data): #initialize all the gaussian clusters (means, covariances, priors
m, n = data.shape
means = np.zeros((numOfClusters, n))
covs = np.zeros((numOfClusters, n, n))
priors = np.zeros((numOfClusters, 1))
initialCovariance = np.cov(data.T)
for i in range(0, numOfClusters):
means[i] = np.random.rand(n) #the initial mean for each gaussian is chosen randomly
covs[i] = initialCovariance #the initial covariance of each cluster is the covariance of the data
priors[i, 0] = 1.0/numOfClusters #the initial priors are uniformly distributed.
return [means, covs, priors]
def logLikelihood(data, probabilities): #data is our data. probabilities[i, j] = k means probability example i belongs in cluster j is 0 < k < 1
m = data.shape[0] #num of examples
examplesByCluster = np.zeros((m, 1))
for i in range(0, m):
examplesByCluster[i, 0] = np.argmax(probabilities[i, :])
examplesByCluster = examplesByCluster.astype(int) #examplesByCluster[i] = j means that example i belongs in cluster j
result = 0
for i in range(0, m):
result += np.log(probabilities[i, examplesByCluster[i, 0]]) #example i belongs in cluster examplesByCluster[i, 0]
return result
m = 2000 #num of training examples
n = 8 #num of features for each example
data = np.random.rand(m, n)
numOfClusters = 2 #num of gaussians
numIter = 30 #num of iterations of EM
cost = np.zeros((numIter, 1))
[means, covs, priors] = initClusters(numOfClusters, data)
for i in range(0, numIter):
probabilities = expectation(data, means, covs, priors)
[means, covs, priors] = maximization(data, probabilities)
cost[i, 0] = logLikelihood(data, probabilities)
plt.plot(cost)
plt.show()
проблема заключается в том, что loglikelihood ведет себя странно. Я ожидаю, что это будет монотонно увеличиваться. Но это не так.
Например, с 2000 примеров 8 функций с 3 гауссовых кластеров, то loglikelihood выглядит следующим образом (30 итераций) -
Так что это очень плохо. Но на других тестах я побежал, например один тест с 15 примерами 2 функций и 2 кластеров, то loglikelihood это -
лучше, но все еще не совершенны.
Почему это происходит и как я могу это исправить?
Какие данные вы пытаетесь моделировать? Из кода, который вы видите, вы моделируете случайные точки, т. Е. В данных нет структуры. Если это так, ваша модель GMM может просто колебаться случайным образом. – etov
В этом случае это случайный случай, но в будущем это могут быть любые данные, от температуры до считывания датчика автомобиля, что угодно. Я не думаю, что важно, чтобы данные были случайными. Теоретически мы гарантируем монотонную сходимость. Даже на случайных данных. –
Вы пытались сравнить свои результаты с результатами, сгенерированными реализациями, которые, как известно, работают? Один из вариантов - [GaussianMixture] (http://scikit-learn.org/stable/modules/mixture.html) из scikit-learn. –