网站制作好后 怎样上线,二手房地产中介网站建设,网站建设中应该注意什么,如何做营销型单页网站定义
输入:观测变量数据Y,隐变量数据Z,联合分布P(Y,Z| θ \theta θ),条件分布PP(Z,Y| θ \theta θ); 输出:模型参数 θ \theta θ (1)选择参数的初值 θ ( 0 ) , 开始迭代 ; \theta^{(0)},开始迭代; θ(0),开始迭代; (2)E步:记 θ ( i ) 为第 i 次迭代参数 \theta^{(i)}为第…定义
输入:观测变量数据Y,隐变量数据Z,联合分布P(Y,Z| θ \theta θ),条件分布PP(Z,Y| θ \theta θ); 输出:模型参数 θ \theta θ (1)选择参数的初值 θ ( 0 ) , 开始迭代 ; \theta^{(0)},开始迭代; θ(0),开始迭代; (2)E步:记 θ ( i ) 为第 i 次迭代参数 \theta^{(i)}为第i次迭代参数 θ(i)为第i次迭代参数\theta 的估计值 , 在第 的估计值,在第 的估计值,在第i1$次迭代的E步,计算 Q ( θ , θ ( i ) ) E Z [ l o g P ( Y , Z ∣ θ ) ∣ Y , θ ( i ) ] ∑ Z l o g P ( Y , Z ∣ θ ) P ( Z ∣ Y , θ ( i ) ) Q(\theta,\theta^{(i)}) E_Z\big[ log P(Y,Z|\theta)|Y,\theta^{(i)} \big] \sum_{Z}log P(Y,Z|\theta) P(Z|Y,\theta^{(i)}) Q(θ,θ(i))EZ[logP(Y,Z∣θ)∣Y,θ(i)]Z∑logP(Y,Z∣θ)P(Z∣Y,θ(i)) P ( Z ∣ Y , θ ( i ) ) P(Z|Y,\theta^{(i)}) P(Z∣Y,θ(i)):给定观测数据 Y Y Y和当前的参数估计 θ ( i ) \theta^{(i)} θ(i)下隐变量数据 Z Z Z的条件概率分布 (3)M步:求使 Q ( θ , θ ( i ) ) Q(\theta,\theta^{(i)}) Q(θ,θ(i))极大化的 θ \theta θ,确定第 i 1 i1 i1次迭代的参数的估计值 θ ( i 1 ) \theta^{(i1)} θ(i1) θ ( i 1 ) a r g ∗ m a x θ Q ( θ , θ ( i ) ) \theta^{(i1)} arg * \mathop{max}\limits_{\theta} Q(\theta,\theta^{(i)}) θ(i1)arg∗θmaxQ(θ,θ(i)) (4)重复第(2)步和第(3)步直到收敛。
输入空间 T { ( x 1 , x 2 , … , x N } T\left\{(x_1,x_2,\dots,x_N\right\} T{(x1,x2,…,xN}
import numpy as np
import random
import math
import timedef loadData(mu0, sigma0, mu1, sigma1, alpha0, alpha1):初始化数据集这里通过服从高斯分布的随机函数来生成数据集:param mu0: 高斯0的均值:param sigma0: 高斯0的方差:param mu1: 高斯1的均值:param sigma1: 高斯1的方差:param alpha0: 高斯0的系数:param alpha1: 高斯1的系数:return: 混合了两个高斯分布的数据#定义数据集长度为1000length 1000#初始化第一个高斯分布生成数据数据长度为length * alpha系数以此来#满足alpha的作用data0 np.random.normal(mu0, sigma0, int(length * alpha0))#第二个高斯分布的数据data1 np.random.normal(mu1, sigma1, int(length * alpha1))#初始化总数据集#两个高斯分布的数据混合后会放在该数据集中返回dataSet []#将第一个数据集的内容添加进去dataSet.extend(data0)#添加第二个数据集的数据dataSet.extend(data1)#对总的数据集进行打乱其实不打乱也没事只不过打乱一下直观上让人感觉已经混合了# 读者可以将下面这句话屏蔽以后看看效果是否有差别random.shuffle(dataSet)#返回伪造好的数据集return dataSet# mu0是均值μ
# sigmod是方差σ
#在设置上两个alpha的和必须为1其他没有什么具体要求符合高斯定义就可以
alpha0 0.3; mu0 -2; sigmod0 0.5
alpha1 0.7; mu1 0.5; sigmod1 1#初始化数据集
dataSetList loadData(mu0, sigmod0, mu1, sigmod1, alpha0, alpha1)np.shape(dataSetList)print(alpha0:%.1f, mu0:%.1f, sigmod0:%.1f, alpha1:%.1f, mu1:%.1f, sigmod1:%.1f%(alpha0, mu0, sigmod0, alpha1, mu1, sigmod1))统计学习方法
模型 a r g ∗ m a x θ Q ( θ , θ ( i ) ) arg * \mathop{max}\limits_{\theta} Q(\theta,\theta^{(i)}) arg∗θmaxQ(θ,θ(i))
策略 L ( θ ) l o g ( ∑ Z P ( Y ∣ Z , θ ) P ( Z ∣ θ ) ) L(\theta) log\bigg( \sum_{Z} P(Y|Z,\theta) P(Z|\theta) \bigg) L(θ)log(Z∑P(Y∣Z,θ)P(Z∣θ))
算法
高斯混合模型 P ( y ∣ θ ) ∑ k 1 K α k ϕ ( y ∣ θ k ) , α k : 系数 , α k ≥ 0 , ∑ k 1 K α k 1 ; ϕ ( y ∣ θ k ) : 高斯分布密度 , θ k ( μ k , σ k 2 ) P(y|\theta) \sum_{k1}^K \alpha_k \phi(y|\theta_k),\alpha_k:系数,\alpha_k \geq 0,\sum_{k1}^K \alpha_k 1;\phi(y|\theta_k):高斯分布密度,\theta_k(\mu_k,\sigma_k^2) P(y∣θ)k1∑Kαkϕ(y∣θk),αk:系数,αk≥0,k1∑Kαk1;ϕ(y∣θk):高斯分布密度,θk(μk,σk2) ϕ ( y ∣ θ k ) 1 2 π σ k e x p ( − ( y − μ k ) 2 2 σ k 2 ) \phi(y|\theta_k) \frac{1}{\sqrt{2\pi}\sigma_k} exp \bigg( - \frac{(y-\mu_k)^2}{2\sigma_k^2} \bigg) ϕ(y∣θk)2π σk1exp(−2σk2(y−μk)2)
def calcGauss(dataSetArr, mu, sigmod):根据高斯密度函数计算值:param dataSetArr: 可观测数据集:param mu: 均值:param sigmod: 方差:return: 整个可观测数据集的高斯分布密度向量形式result (1 / (math.sqrt(2 * math.pi) * sigmod)) * \np.exp(-1 * (dataSetArr - mu) * (dataSetArr - mu) / (2 * sigmod**2))#返回结果return resultQ ( θ , θ ( i ) ) E Z [ l o g P ( Y , Z ∣ θ ) ∣ Y , θ ( i ) ] ∑ Z l o g P ( Y , Z ∣ θ ) P ( Z ∣ Y , θ ( i ) ) Q(\theta,\theta^{(i)}) E_Z\big[ log P(Y,Z|\theta)|Y,\theta^{(i)} \big] \sum_{Z}log P(Y,Z|\theta) P(Z|Y,\theta^{(i)}) Q(θ,θ(i))EZ[logP(Y,Z∣θ)∣Y,θ(i)]Z∑logP(Y,Z∣θ)P(Z∣Y,θ(i)) P ( Z ∣ Y , θ ( i ) ) : 给定观测数据 Y 和当前的参数估计 θ ( i ) 下隐变量数据 Z 的条件概率分布 P(Z|Y,\theta^{(i)}):给定观测数据Y和当前的参数估计\theta^{(i)}下隐变量数据Z的条件概率分布 P(Z∣Y,θ(i)):给定观测数据Y和当前的参数估计θ(i)下隐变量数据Z的条件概率分布
def E_step(dataSetArr, alpha0, mu0, sigmod0, alpha1, mu1, sigmod1):依据当前模型参数计算分模型k对观数据y的响应度:param dataSetArr: 可观测数据y:param alpha0: 高斯模型0的系数:param mu0: 高斯模型0的均值:param sigmod0: 高斯模型0的方差:param alpha1: 高斯模型1的系数:param mu1: 高斯模型1的均值:param sigmod1: 高斯模型1的方差:return: 两个模型各自的响应度#计算y0的响应度#先计算模型0的响应度的分子gamma0 alpha0 * calcGauss(dataSetArr, mu0, sigmod0)#模型1响应度的分子gamma1 alpha1 * calcGauss(dataSetArr, mu1, sigmod1)#两者相加为E步中的分布sum gamma0 gamma1#各自相除得到两个模型的响应度gamma0 gamma0 / sumgamma1 gamma1 / sum#返回两个模型响应度return gamma0, gamma1θ ( i 1 ) a r g ∗ m a x θ Q ( θ , θ ( i ) ) \theta^{(i1)} arg * \mathop{max}\limits_{\theta} Q(\theta,\theta^{(i)}) θ(i1)arg∗θmaxQ(θ,θ(i))
def M_step(muo, mu1, gamma0, gamma1, dataSetArr):mu0_new np.dot(gamma0, dataSetArr) / np.sum(gamma0)mu1_new np.dot(gamma1, dataSetArr) / np.sum(gamma1)sigmod0_new math.sqrt(np.dot(gamma0, (dataSetArr - muo)**2) / np.sum(gamma0))sigmod1_new math.sqrt(np.dot(gamma1, (dataSetArr - mu1)**2) / np.sum(gamma1))alpha0_new np.sum(gamma0) / len(gamma0)alpha1_new np.sum(gamma1) / len(gamma1)#将更新的值返回return mu0_new, mu1_new, sigmod0_new, sigmod1_new, alpha0_new, alpha1_newdef EM_Train(dataSetList, iter 500):根据EM算法进行参数估计:param dataSetList:数据集可观测数据:param iter: 迭代次数:return: 估计的参数#将可观测数据y转换为数组形式主要是为了方便后续运算dataSetArr np.array(dataSetList)#步骤1对参数取初值开始迭代alpha0 0.5; mu0 0; sigmod0 1alpha1 0.5; mu1 1; sigmod1 1#开始迭代step 0while (step iter):#每次进入一次迭代后迭代次数加1step 1#步骤2E步依据当前模型参数计算分模型k对观测数据y的响应度gamma0, gamma1 E_step(dataSetArr, alpha0, mu0, sigmod0, alpha1, mu1, sigmod1)#步骤3M步mu0, mu1, sigmod0, sigmod1, alpha0, alpha1 \M_step(mu0, mu1, gamma0, gamma1, dataSetArr)#迭代结束后将更新后的各参数返回return alpha0, mu0, sigmod0, alpha1, mu1, sigmod1alpha0, mu0, sigmod0, alpha1, mu1, sigmod1 EM_Train(dataSetList)
print(Parameters predict:)
print(alpha0:%.1f, mu0:%.1f, sigmod0:%.1f, alpha1:%.1f, mu1:%.1f, sigmod1:%.1f % (alpha0, mu0, sigmod0, alpha1, mu1, sigmod1))假设空间Hypothesis Space { a r g ∗ m a x θ Q ( θ , θ ( i ) ) } \left\{ arg * \mathop{max}\limits_{\theta} Q(\theta,\theta^{(i)}) \right\} {arg∗θmaxQ(θ,θ(i))}
输出 θ \theta θ
