我必须使用给定数据集上的四个组件训练高斯混合模型。 该集是三维的,包含300个样本。
问题是我无法使用对数似然检查收敛,因为它是-Inf
。这是在舍入零值的同时评估责任公式中的高斯值(参见E步骤)。
你能告诉我到目前为止我的EM算法实现是否正确吗? 以及如何使用舍入的零值来解决问题?
这是我对EM算法的实现(一次迭代):
首先,我使用kmeans 初始化组件的均值和协方差:
load('data1.mat');
X = Data'; % 300x3 data set
D = size(X,2); % dimension
N = size(X,1); % number of samples
K = 4; % number of Gaussian Mixture components
% Initialization
p = [0.2, 0.3, 0.2, 0.3]; % arbitrary pi
[idx,mu] = kmeans(X,K); % initial means of the components
% compute the covariance of the components
sigma = zeros(D,D,K);
for k = 1:K
sigma(:,:,k) = cov(X(idx==k,:));
end
以下是相应的代码:
gm = zeros(K,N); % gaussian component in the nominator -
% some values evaluate to zero
sumGM = zeros(N,1); % denominator of responsibilities
% E-step: Evaluate the responsibilities using the current parameters
% compute the nominator and denominator of the responsibilities
for k = 1:K
for i = 1:N
% HERE values evalute to zero e.g. exp(-746.6228) = -Inf
gm(k,i) = p(k)/sqrt(det(sigma(:,:,k))*(2*pi)^D)*exp(-0.5*(X(i,:)-mu(k,:))*inv(sigma(:,:,k))*(X(i,:)-mu(k,:))');
sumGM(i) = sumGM(i) + gm(k,i);
end
end
res = zeros(K,N); % responsibilities
Nk = zeros(4,1);
for k = 1:K
for i = 1:N
res(k,i) = gm(k,i)/sumGM(i);
end
Nk(k) = sum(res(k,:));
end
Nk(k)
使用M步骤中给出的公式计算。
M-步骤
% M-step: Re-estimate the parameters using the current responsibilities
mu = zeros(K,3);
for k = 1:K
for i = 1:N
mu(k,:) = mu(k,:) + res(k,i).*X(k,:);
sigma(:,:,k) = sigma(:,:,k) + res(k,i).*(X(k,:)-mu(k,:))*(X(k,:)-mu(k,:))';
end
mu(k,:) = mu(k,:)./Nk(k);
sigma(:,:,k) = sigma(:,:,k)./Nk(k);
p(k) = Nk(k)/N;
end
% Evaluate the log-likelihood and check for convergence of either
% the parameters or the log-likelihood. If not converged, go to E-step.
loglikelihood = 0;
for i = 1:N
for k = 1:K
loglikelihood = loglikelihood + log(gm(k,i));
end
end
loglikelihood
为-Inf
,因为E步骤中的某些gm(k,i)
值为零。因此,对数显然是负无穷大。
我该如何解决这个问题?
可以通过提高Matlab的精度来解决吗?
或者我的实施有问题吗?
答案 0 :(得分:2)
根据公式,您应该计算gm量之和的对数。 (所以,log(sum(gm(i,:))))。在k个组件中,至少有一个组件的可能性大于0.这将有希望解决您的问题。
另一个非常一般性的评论,当数字对于指数函数而言太大时,当您确定使用正确的公式时,您总是可以尝试使用数量的日志。但是你不应该在这里这样做,因为0是exp的一个很好的近似值(-746);)