概述
每次迭代都可以在適當的條件下提高觀測資料的可能性,但收斂可能會達到局部最優,並且不能證明模型是正確的。
深入探討
EM 是一種當模型具有潛在變數或不完整觀測值時進行最大似然估計的迭代方法。如果隱藏資訊已知,則完整資料的可能性將更容易優化。 EM 使用目前參數估計交替兩個步驟。期望步驟(E-step)計算給定觀測資料和當前參數的完整資料對數似然的條件期望值。最大化步驟(M-step)選擇更新的參數來最大化該預期數量。在高斯混合中,成分隸屬關係是隱藏的。對於每個觀察,E 步驟計算責任:在當前平均值、協方差和混合權重下屬於每個分量的機率。 M 步驟使用職責作為分數權重來更新這些參數。重複這些步驟可以讓分配和組件描述相互完善。除非做出額外的分類決定,否則責任不是硬標籤。一個關鍵特性是,精確的 EM 更新不會降低演算法假設下觀測資料的可能性。這並不意味著每次迭代都能找到全域最大值。可能性可以有多個局部最優,並且結果可以取決於初始化。混合物也可能表現出簡併性,因此實際的實現使用保障措施和收斂標準。較小的參數變化或可能性改進表明在數值容差下停止;它並不能證明模型具有足夠的科學性。 EM 不限於混合聚類。當可以計算或近似條件期望和最大化步驟時,它可以處理缺失資料或潛在變數模型。廣義 EM 允許 M 步增加而不是完全最大化預期目標。隨機變數解決了一些較大的設定。始終檢查似然軌跡、初始化敏感度和模型假設。如果類別指定不正確,資料以非建模方式相關,或選擇的混合成分數量錯誤,則成功的數值收斂無法修復科學不匹配。使用保留的證據或適合目標的其他標準來比較適合度,並傳達有關潛在任務的不確定性。
現實世界的實施
假設的混合模型從暫定的高斯分量參數開始。 E 步驟計算每個觀察值對每個組件的責任; M 步驟使用這些職責更新組件權重、平均值和變異數。
資料分析師透過計算預期的完整資料充分統計資料來估計指定機率模型下的缺失條目,然後使用這些預期最大化參數。
團隊從多個初始化中運行 EM,並比較最終的可能性和分配。不同的結果顯示對起始值的敏感性,而不是唯一保證的最佳擬合。
在硬幣混合圖中,隱藏變數指示哪個硬幣產生了一個序列。 E-step 估計組件成員資格機率; M步驟根據加權的頭尾計數更新每個硬幣的偏差。
期望最大化演算法的未來
透過保存初始化策略、可能性軌跡、停止容差和重新啟動的結果範圍,可以使 EM 分析更具可重複性。對於潛在任務,當不確定性很重要時,報告應保留軟責任,而不是僅顯示獲勝部分。模型選擇應與參數最佳化分開評估,因為 EM 擬合所選組件數量並不能確定該數量。監控可以識別新資料何時產生不良可能性或改變組件結構。更好的初始化和最佳化工具可以提高可靠性,而解釋仍然取決於潛在模型是否描述了有意義的過程。
付諸實踐
為什麼這很重要
- 成本與預算. 多年來,架構決策決定著效能和營運成本。
- 更明確的決策. 技術教育幫助團隊選擇正確的堆疊,而不僅僅是最新的堆疊。
- 品質管控. 更好的工程選擇可以減少生產中的可靠性事故。
留意
- 優化一項基準測試可以隱藏更廣泛的系統弱點。
- 基礎設施和維護成本常常被低估。
- 隨著系統變得更加複雜,安全性和可觀察性差距可能會擴大。
後續步驟
- 在實施之前定義延遲、品質和成本目標。
- 在實際負載和資料條件下進行基準測試。
- 儀器監控錯誤、漂移和使用者影響。
- 在擴展之前準備回滾和事件回應路徑。
不斷探索
常見問題
什麼是期望最大化演算法?
當資料包含未觀察到的變數或缺失值時,期望最大化 (EM) 透過在估計潛在變數期望值和最大化參數目標之間交替來估計模型參數。每次迭代都可以在適當的條件下提高觀測資料的可能性,但收斂可能會達到局部最優,並且不能證明模型是正確的。
E-step 使用目前參數計算什麼?
E 步驟計算涉及當前參數下潛在或缺失數量的條件期望。
在高斯混合中,責任代表什麼?
職責量化每個組件目前產生觀測值的機率,並在各個組件之間求和。
計算出期望後,M 步驟會做什麼?
M 步更新參數以最大化預期的完整資料記錄似然。
在適當的假設下,精確的 EM 能提供什麼保證?
精確 EM 在觀察到的似然性方面是單調的,但可以收斂到局部最優。
不同的 EM 初始化以不同的可能性結束。這說明什麼?
非凸似然可能會導致從不同的起點得出不同的解決方案。