机器学习高斯混合模型（后篇）：GMM求解完整代码实现

《实例》阐述算法，通俗易懂，助您对算法的理解达到一个新高度。包含但不限于：经典算法，机器学习，深度学习，LeetCode 题解，Kaggle 实战。期待您的到来！

01

—

回顾

前面推送中，我们介绍了高斯混合模型（GMM）的聚类原理，以及聚类求解的公式推导，如果您想了解这部分，请参考之前的推送：

机器学习高斯混合模型：聚类原理分析（前篇）

机器学习高斯混合模型（中篇）：聚类求解

总结来说，GMM是非常好的聚类利器，它不光能给出样本所属的类别，还能给出属于每个类别的概率，进而转化成得分值，有时所属每个簇的得分值具有重要的意义（意义说明详见之前两篇的推送）。GMM求解的思路本质上是借助最大期望算法的思路来进行求解，关于最大期望算法的原理例子解析，请参考：

机器学习期望最大算法：实例解析

接下来，就到了GMM的EM算法求解的代码实现环节了，如果我们能把一种聚类算法的思路从原理，到公式，再到代码实现，都能走一遍，那么无疑可以表明您对本算法和这一类的算法都有一个全新的理解。手写不掉包代码实现算法的结果，如果能与sklean中的实现基本一致，那么说明才说明您对这个算法正真了解了，在这个编码的过程，将是您对python，Numpy等常用科学计算工具的实践过程，总之意义挺大，锻炼价值也很大。

废话少说，让我们开始GMM模型的EM算法的代码实现之旅吧！

02

—

GMM的EM求解之数据生成

我们先从一维的数据样本的聚类开始说起，先易后难。首先阐述下GMM的EM求解思路。

1. 数据准备

我们借助sklearn的API，生成3堆一维高斯分布的数据，一维在此处是指数据的特征只有一个。首先本次实验导入的所有库包括：

import numpy as np

import numpy.linalg as la

import matplotlib.pyplot as plt

from sklearn.datasets import make_blobs

生成数据的过程如下：

#生成的簇，和对应的分类

#这是sklearn的聚类结果

#下面自己编码GMM实现聚类，看看与sklearn的结果是够一致

x,label = make_blobs(n_samples=150,n_features=1, centers=3,

cluster_std=[0.01,0.02,0.03],

center_box=(0.1,0.4, 2.0),

random_state=2)

plt.scatter(np.arange(0,150),x[:, 0], marker='o', c=label)

plt.title('GMM classification')

plt.xlabel('point Id')

plt.ylabel('x1 attribute')

plt.show()

sklearn生成的满足高斯分布的3簇：

那么，我们一直这些样本点，如何进行正确的聚类呢？也就是能聚类出和上图差不多的效果来。

03

—

EM求解代码解析

1 初始化参数

需要初始化的参数包括：

• 每个簇的均值，数组的形状参考注释（K by D的意思是K行D列）；
• 协方差（这个需要特别注意，一维高斯是方差，二维以上是协方差，形状也需要特别注意：D by D by K）；
• 每个簇的影响系数

#初始化参数

def initParams(K,D):

#每个簇的中心值：K by D

aves = np.random.rand(K,D)

#每个簇的偏差 D by D by K

sigmas = np.zeros((D,D,K))

###D by D 必须是对称矩阵

sig = np.eye(D)

for k in np.arange(0,K):

sigmas[:,:,k] = sig

#每个簇的影响系数：1 by K

pPis = np.random.rand(1,K)

return aves,sigmas,pPis

2 样本点对GMM的贡献系数求解

求解的公式如下，关于这个公式的具体含义，请参考本文开头列出的推送文章。

#样本点对簇的贡献系数

#pPi : 1 by K

#px: N by K

# return value: N by K

def fgamma(px,pPi):

#gamma公式的分子部分

#fenzi: N by K

fenzi = pPi * px

#gamma公式的分母部分

#fenmu: N by 1

fenmu = np.sum(fenzi,axis=1).reshape(N,1)

return fenzi/fenmu

一点说明：

在用Numpy求解时，数组的运算可以省掉C++,Java等的很多for循环，可以看求解上面这个公式只需要短短3行代码，可以说说很简洁，但是对于以前使用Java，C++的小伙伴，上手Numpy需要做一个思维转化，同时也要注意标注每个数组的shape，这对于我们后续检查bug非常重要。

3 簇中的样本点的贡献和

从第2步中得出的每个样本点的贡献，然后累加即可：

# 每个簇中的样本点的贡献系数之和

# gam: N by K

# return value: 1 by K

def fNk(gam):

nk = np.sum(gam,axis=0)

return nk.reshape(1,K)

上面相当于EM算法的E步，下面总结M步，是利用最大似然估计各个簇的分布参数。

4 每个簇的均值和协方差求解

每个簇的样本和协方差的求解公式如下：

#每个簇的均值

# Nk: 1 by K

# gam: N by K

# x : N by D

#return value: K by D

def faverage(aves,Nk,gam,x):

#print(np.shape(Nk))

for k in np.arange(0,K):

# sum : D

sumd = np.sum((gam[:,k].reshape(N,1)) * x,axis=0)

aves[k,:] = sumd.reshape(1,D)/Nk[:,k]

#每个簇的方差

# Nk: 1 by K

# gam: N by K

# x : N by D

# aves: K by D

#return value: D by D by K

def fsigma(sigmas,Nk,gam,x,aves):

for k in np.arange(0,K):

#shift: N by DA

shift = x - aves[k,:]

#shift_gam: N by D

shift_gam = gam[:,k].reshape(N,1)*shift

#shift2 : D by D

shift2 = shift_gam.T.dot(shift)

sigmas[:,:,k] = shift2/Nk[:,k]

return sigmas

5 多维高斯分布的概率密度公式求解

多维高斯分布的概率密度公式见下，式子中 d 表示维数（也就是特征个数），求和符号指：协方差（二维及以上是个方阵）

# D-dimension prob density

# x ： N by D

# aves : K by D

# sigmas: D by D by K

# return value: N by K

def fpx(x,aves,sigmas):

Px = np.zeros((N,K))

# coef1 : 1 by 1

coef1 = np.power((2*np.pi),(D/2.0))

for k in np.arange(0,K):

# coef2 : 1 by 1

coef2 = np.power((la.det(sigmas[:,:,k])),0.5)

coef3 = 1/(coef1 * coef2)

# shift: N by D

shift = x - aves[k,:]

# sigmaInv: D by D

sigmaInv = la.inv(sigmas[:,:,k])

epow = -0.5*(shift.dot(sigmaInv)*shift)

# epowsum : N

epowsum = np.sum(epow,axis=1)

Px[:,k] = coef3 * np.exp(epowsum)

return Px

6 迭代停止策略

各个样本点的最大似然估计值趋于稳定（小于某个阈值：比如：1e-15），最大似然估计的公式如下：

#迭代求解的停止策略

#px: N by K

#pPi: 1 by K

#Loss function 1 by 1

def fL(px, pPi):

# sub: N by 1

sub = np.sum(pPi*px,axis=1)

logsub = np.log(sub)

curL = np.sum(logsub)

return curL

# stop iterator strategy

def stop_iter(threshold,preL,curL):

return np.abs(curL-preL) < threshold

04

—

GMM聚类接口编写

有了以上EM算法的各个函数后，下面可以编写GMM聚类的对外接口了。

# GMM

# return value: N by K

def GMM(x,K):

#loss value initilize

preL = -np.inf;

# aves 每个簇的中心值：K by D

# sigmas 每个簇的偏差 D by D by K

# pPi 每个簇的影响系数：1 by K

aves,sigmas,pPi = initParams(K,D)

while True:

# px: 每个数据所属簇的概率 N by K

px = fpx(x,aves,sigmas)

#print(px)

# 贡献系数 N by K

gam = fgamma(px,pPi)

#每个簇中的样本点的贡献系数之和 1 by K

Nk = fNk(gam)

pPi = Nk/N

# 每个簇的均值 K by D

faverage(aves,Nk,gam,x)

#每个簇的方差 D by D by K

fsigma(sigmas,Nk,gam,x,aves)

# loss function

curL = fL(px, pPi)

#迭代求解的停止策略

if stop_iter(1e-15,preL, curL):

break

preL = curL

return px,aves,sigmas

#返回聚类的结果：N

def classifior(px):

rslt = []

for row in px:

rslt.append(np.where(row==np.max(row)))

return np.array(rslt).reshape(-1)

05

—

模拟一维高斯分布的聚类

# K: 簇的个数

# D: 数据的维数（特征数或属性数）

# N：样本点个数

K = 3

D = 1

N = 150

#一维特征的GMM聚类模拟

px,aves,sigmas =GMM(x,3)

mylabel = classifior(px)

#可以看到不掉包的实现与sklearn的模拟结果是基本一致的

plt.scatter(np.arange(0,150),x[:, 0], marker='o', c=mylabel)

plt.title('GMM classification')

plt.xlabel('x1 attribute')

plt.ylabel('x2 attribute')

plt.show()

可以看到不掉包的实现与sklearn的掉包实现结果是基本一致的。

一维高斯分布的协方差是方差，是一个数。虽然以上算法能实现多维的高斯分布的聚类，但是鉴于篇幅，明天推送关于多维的高斯分布的聚类的结果展示，协方差，概率密度图等都有着非常重要的应用，并且它们也是非常有意思的。

谢谢您的阅读！

辅助材料：

机器学习储备（13）：概率密度和高斯分布例子解析