EM算法-统计学习方法（李航）

这里是做HMM前期学习的EM算法，这里学习了几篇文章，但是始终只懂了原理无法进行实例计算，这里学习了统计学习方法后对EM算法算是可以串出来计算了。
何为EM算法：
EM算法是一种迭代算法，用于含有隐变量的概率模型参数的极大似然估计
EM算法的迭代步骤分为2步，一个是E步：求期望，一个是M步：求极大。

---

先上一个例子：
假设有三枚硬币A，B，C，这些硬币正面出现的概率为π，p，q。
进行如下抛硬币实验：

1. 先抛A硬币，若为正面则选择B，若为反面则选择C；

2. 抛步骤1中选出的硬币，正面记作1，反面记作0。

即输入硬币A，B，C，输出1，0。

抛硬币实验流程图

假设上述步骤为黑盒测试，只知道输入和输出，我们要根据输入输出得出这些硬币正面出现的概率π，p，q。

观测序列为{1，1，0，1，0，0，1，0，1，1}。

设观测序列为

其中n=10。

设θ=（π，p，q），则投掷硬币的似然为：

投掷硬币的似然函数

---

由此开始EM算法进行参数估计！！

1. 输入模型初始参数π，p，q

2. E步：

求掷B硬币时的似然（观测变量yj来自于B的概率）μ：

3. M步：

计算新的估计值

i+1次估计值

---

开始套入上述的公式

设初始值

套入上述E步公式，得出：

得出新的μ后，再带入M步的公式，得出新的π，p，q：

继续迭代，将上述的π(1)，p(1)，q(1)带入E步得出μ(2)：
得出：
新的μ(2)带入M步得到：

此时，第一步的μ，π，p，q和第二步的μ，π，p，q已经相等了（收敛了），所以得到模型参数θ(π，p，q)的极大似然估计：

---

这个小实验的结论：A硬币是均匀的，B硬币和C硬币不均匀，导致BC正面出现的概率大一些。
此外，EM算法对初始值敏感，如果初值取为：

得到的收敛的参数估计值为：

所以一定要注意参数初始值的选择。

---

接着给出EM算法：

输入：观测变量数据Y，隐藏数据Z，联合概率分布P(Y,Z|θ)，条件分布P(Z,Y|θ);
输出：模型参数θ。

1. 选择参数的初值θ(0)，开始迭代；
2. E步：记θ(i)为第I次迭代参数θ的估计值，在第i+1次迭代的E步，计算：

这里，P(Z|Y,θ(i))是在给定观测数据Y和当前参数估计θ(i)下隐变量数据Z的条件概率分布；

3. M步：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)：

   
   
4. 重复2，3步直到收敛。