next up previous
次へ: サンプルに重みがある場合 上へ: EM アルゴリズム 戻る: 独立なサンプルが与えられた時の混合分布の学習


独立な要素分布の場合

前節での条件に加え,更に各 $\theta_k$ の間にも関数的な依存性がなければ, 式 (3.32) は

\begin{displaymath}
\sum_{j=1}^n q\tth (k\mid x_{(j)}) {\partial \log
f_{k}(x_{(j)})\over\partial\theta_k} = 0,
\end{displaymath} (3.33)

となり,これはサンプル $x_{(j)}$ $q\tth (k\mid x_{(j)})$ で重み付けた 最尤方程式であり,各要素分布毎に重み付き最尤推定を行うことを意味し ている. ただし,第 5 章ではこれとは異なり,$\theta_k$ 間 に依存関係がある場合を扱う.

例 3 (正規混合分布に対する EM アルゴリズム)   例 1 で取り上げた正規混合分布の EM ステップは重 み付き平均と分散になる.
$\displaystyle \mbox{\boldmath$\mu$}_k\tpth $ $\textstyle =$ $\displaystyle {1\over Np_k\tpth }\sum_{j=1}^N
q\tth (k\mid\mbox{\boldmath$x$}_{(j)})\mbox{\boldmath$x$}_{(j)},$ (3.34)
$\displaystyle V_k\tpth $ $\textstyle =$ $\displaystyle {1\over
Np_k\tpth }\sum_{j=1}^N
q\tth (k\mid\mbox{\boldmath$x$}_{...
...mu$}_k\tpth )(\mbox{\boldmath$x$}_{(j)}-\mbox{\boldmath$\mu$}_k\tpth )^{\rm T}.$  

ただし, $q\tth (k\mid\mbox{\boldmath$x$}_{(j)})$ および $p_k\tpth $ はそれぞれ 式 (3.29), (3.31) で 与えられる.



Shotaro Akaho 平成15年7月22日