এই উত্তরটি কী ঘটছে তা একটি অন্তর্দৃষ্টি দেবে যা একটি জিএমএম-এর কোনও ডেটাসেটে ফিটিং করার সময় একক একাকী কোভারিয়েন্স ম্যাট্রিক্সের দিকে পরিচালিত করে, কেন এটি ঘটছে পাশাপাশি আমরা কী কী তা প্রতিরোধ করতে পারি।
অতএব আমরা গাউসিয়ান মিশ্রণ মডেলটিকে কোনও ডেটাসেটে ফিটিং করার সময় ধাপগুলি পুনরায় গণনা করে শুরু করি।
0. সিদ্ধান্ত নিন কত উৎস / ক্লাস্টার (গ) আপনার ডেটায় করা মাপসই চান
1. আরম্ভ পরামিতি গড় , সহভেদাংক Σ গ , এবং fraction_per_class π গ প্রতি ক্লাস্টার গ
μcΣগπগ
E-St e p---------
- প্রতিটি ডেটাপয়েন্টের জন্য গণনা করুন সম্ভাবনা r i c যে ডেটাপয়েন্ট x আমি ক্লাস্টার সি এর সাথে যুক্ত:
r i c = π c N ( x i | μ c , Σ c )এক্সআমিRi গএক্সআমি
যেখানেএন(x|μ,Σ)মুলিটওয়ারিয়াত গাউসির সাথে বর্ণনা করেছেন:
এন(xআমি,μসি,Σসি)=1Ri গ= πগএন( এক্সআমি | μ গ, Σগ)Σকেকে = 1πটএন( এক্সআমি | μ ট, Σট)
এন(x | μ,Σ)
N(xi,μc,Σc) = 1(2π)n2|Σc|12exp(−12(xi−μc)TΣ−1c(xi−μc))
ricxiProbability that xi belongs to class cProbability of xi over all classesxiric
M−Step––––––––––
প্রতিটি ক্লাস্টারের জন্য সি: মোট ওজন গণনা করুনমিগ (ক্লাস্টার সিতে বরাদ্দ পয়েন্টগুলির ভগ্নাংশটি আলগাভাবে বলতে) এবং আপডেট πগ, μগ, এবং Σগ ব্যবহার Ric with:
mc = Σiric
πc = mcm
μc = 1mcΣiricxi
Σc = 1mcΣiric(xi−μc)T(xi−μc)
Mind that you have to use the updated means in this last formula.
Iteratively repeat the E and M step until the log-likelihood function of our model converges where the log likelihood is computed with:
ln p(X | π,μ,Σ) = ΣNi=1 ln(ΣKk=1πkN(xi | μk,Σk))
সুতরাং এখন আমরা গণনার সময় একক পদক্ষেপগুলি পেয়েছি আমরা ম্যাট্রিক্সকে একবচন হওয়ার অর্থ কী তা বিবেচনা করতে হবে। কোনও ম্যাট্রিক্স অবিচ্ছিন্ন না হলে একক হয়। যদি একটি ম্যাট্রিক্স থাকে তবে একটি ম্যাট্রিক্স বিপরীত হয়এক্স যেমন যে এ এক্স= এক্সএ = আই। যদি এটি না দেওয়া হয় তবে ম্যাট্রিক্সটি একবচন বলে। এটি একটি ম্যাট্রিক্সের মতো:
[ 0000]
অবিচ্ছিন্ন এবং একক অনুসরণ করা হয় না। এটিও প্রশংসনীয়, আমরা যদি ধরে নিই যে উপরের ম্যাট্রিক্সটি ম্যাট্রিক্স
একজন ম্যাট্রিক্স হতে পারে না
এক্স যা এই ম্যাট্রিক্সের সাথে পরিচয় ম্যাট্রিক্সের সাথে ডটেড দেয়
আমি(কেবল এই শূন্য ম্যাট্রিক্স এবং ডট-প্রোডাক্টটিকে এটি অন্য 2x2 ম্যাট্রিক্সের সাথে নিন এবং আপনি দেখতে পাবেন যে আপনি সর্বদা শূন্য ম্যাট্রিক্স পাবেন)। তবে কেন আমাদের এই সমস্যা? ভাল, উপরের মাল্টিভারিয়েট স্বাভাবিকের সূত্রটি বিবেচনা করুন। আপনি সেখানে পাবেন
Σ- 1গযা কোভারিয়েন্স ম্যাট্রিক্সের অবিচ্ছিন্ন। যেহেতু একটি একক ম্যাট্রিক্স অবিচল নয়, এটি গণনার সময় আমাদের ত্রুটি ছুঁড়ে দেবে।
সুতরাং এখন আমরা জানি যে সিএমএম গণনার সময় কীভাবে একটি একক, অবিচ্ছিন্ন ম্যাট্রিক্স দেখতে ভাল লাগে এবং কেন এটি আমাদের কাছে গুরুত্বপূর্ণ, আমরা কীভাবে এই ইস্যুটিতে দৌড়াতে পারি? প্রথমত, আমরা এটি পেয়েছি
0E এবং M পদক্ষেপের মধ্যবর্তী পুনরাবৃত্তির সময় মাল্টিভিয়ারেট গাউসিয়ান যদি এক বিন্দুতে পড়ে তবে উপরের কোভারিয়েন্স ম্যাট্রিক্স। এটি ঘটতে পারে যদি উদাহরণস্বরূপ আমাদের কাছে একটি ডেটাসেট থাকে যা আমরা 3 গাউসিয়ানকে ফিট করতে পারি তবে যা কেবল দুটি ক্লাস (ক্লাস্টার) এর সাথে অন্তর্ভুক্ত থাকে যেমন আলগাভাবে কথা বলতে হয়, এই তিনটি গাউসিয়ানের মধ্যে দুটি তাদের নিজস্ব ক্লাস্টার ধরেন তবে শেষ গাউসিয়ান কেবল এটি পরিচালনা করে এটি বসে যে একটি একক পয়েন্ট ধরতে। নীচের মতো দেখতে কেমন তা আমরা দেখতে পাব। তবে ধাপে ধাপ: ধরুন আপনার কাছে একটি দ্বি মাত্রিক ডেটাসেট রয়েছে যা দুটি গুচ্ছ নিয়ে গঠিত তবে আপনি এটি জানেন না এবং এটিতে তিনটি গাউসীয় মডেল ফিট করতে চান, এটি সি = ৩ You আপনি E পদক্ষেপ এবং প্লটে আপনার পরামিতি আরম্ভ করবেন আপনার ডেটা শীর্ষে গৌসিয়ানরা যা স্মথ দেখায়। যেমন (সম্ভবত আপনি নীচে বাম এবং উপরের অংশে দুটি তুলনামূলকভাবে বিক্ষিপ্ত ক্লাস্টার দেখতে পাচ্ছেন):
প্যারামিটারটি আরম্ভ করার পরে আপনি পুনরায় E, T ধাপগুলি করেন। এই প্রক্রিয়া চলাকালীন তিন গাউসিয়ান এক ধরণের ঘোরাফেরা করে এবং তাদের অনুকূল স্থান অনুসন্ধান করে। আপনি যদি মডেল পরামিতিগুলি পর্যবেক্ষণ করেন তবে তা
μগ এবং
πগআপনি পর্যবেক্ষণ করবেন যে তারা একত্রিত হয়েছে, এটি কিছু সংখ্যক পুনরাবৃত্তির পরে তারা আর পরিবর্তন করবে না এবং এর সাথে সংশ্লিষ্ট গাওসিয়ান মহাশূন্যে এটির স্থান খুঁজে পেয়েছে। যে ক্ষেত্রে আপনার একাকীত্বের ম্যাট্রিক্স রয়েছে যার মুখোমুখি আপনি। লাইক:
যেখানে আমি তৃতীয় গাউসির মডেলটি লাল রঙের সাথে প্রদত্ত করেছি। সুতরাং আপনি দেখতে পাচ্ছেন যে এই গাউসিয়ান একটি একক ডেটাপয়েন্টে বসে আছেন এবং বাকী দু'জন বাকী দাবি করছেন। এখানে আমার খেয়াল করতে হবে যে চিত্রটি আঁকতে সক্ষম হতে আমি ইতিমধ্যে কোভারিয়েন্স-নিয়মিতকরণ ব্যবহার করেছি যা এককত্বের ম্যাট্রিক্স প্রতিরোধের একটি পদ্ধতি এবং নীচে বর্ণিত হয়েছে।
ঠিক আছে, তবে আমরা এখনও জানি না কেন এবং কীভাবে আমরা একটি এককতার ম্যাট্রিক্সের মুখোমুখি হই। সুতরাং আমাদের গণনাগুলি দেখতে হবে
Ri গ এবং
c o vই এবং এম পদক্ষেপের সময়। আপনি যদি তাকান
Ri গ সূত্র আবার:
Ri গ= πগএন( এক্সআমি | μ গ, Σগ)Σকেকে = 1πটএন( এক্সআমি | μ ট, Σট)
আপনি সেখানে দেখতে পাবেন
Ri গযদি তারা ক্লাস্টার সি এর অধীনে খুব কম হয় এবং অন্যথায় নিম্ন মানের হয় তবে এর মানগুলি বড় হবে। এটিকে আরও প্রকট করার জন্য আমাদের দু'জন তুলনামূলকভাবে ছড়িয়ে পড়া গাউসিয়ান এবং একটি খুব টাইট গাউসিয়ান রয়েছে এবং আমরা গণনা করি
Ri গ প্রতিটি ডেটাপয়েন্টের জন্য
এক্সআমিচিত্রটিতে যেমন চিত্রিত হয়েছে:
সুতরাং বাম থেকে ডানদিকে ডেটাপপয়েন্টগুলি দেখুন এবং কল্পনা করুন যে আপনি প্রতিটিটির সম্ভাবনা লিখে রাখবেন
এক্সআমিএটি লাল, নীল এবং হলুদ গাউসের অন্তর্গত। আপনি যা দেখতে পাচ্ছেন তা হ'ল বেশিরভাগের জন্য
এক্সআমিএটি হলুদ গাউসের সাথে সম্পর্কিত হওয়ার সম্ভাবনা খুব কম। উপরের ক্ষেত্রে যেখানে তৃতীয় গাউসিয়ান একটি একক ডেটাপয়েন্টে বসে আছে,
Ri গ এই একটি ডেটাপয়েন্টের জন্য কেবল শূন্যের চেয়ে বড় তবে এটি অন্যের জন্য শূন্য
এক্সআমি। (এই ডেটাপয়েন্টের উপর ধসে পড়ে -> এটি ঘটে যদি অন্য সমস্ত পয়েন্টগুলি সম্ভবত গাওসির এক বা দুটি অংশের বেশি হয় এবং তাই এটি কেবল পয়েন্ট যা গাউসিয়ান তিনটির জন্যই রয়ে যায় -> কেন এটি ঘটে তার কারণের মধ্যে মিথস্ক্রিয়াকে খুঁজে পাওয়া যাবে) গাউসিয়ানদের সূচনাতে ডেটাসেট নিজেই। অর্থাৎ আমরা যদি গাউসিয়ানদের জন্য অন্যান্য প্রাথমিক মানগুলি বেছে নিয়ে থাকি তবে আমরা অন্য ছবিটি দেখতে পেতাম এবং তৃতীয় গাউসিয়ান ভেঙে পড়ত না)। আপনি যদি আরও এবং আরও এই গাউসিকে স্পাইক করেন তবে এটি যথেষ্ট। দ্য
Ri গটেবিলটি তখন স্মথ দেখায়। পছন্দ:
আপনি দেখতে পারেন,
Ri গ of the third column, that is for the third gaussian are zero instead of this one row. If we look up which datapoint is represented here we get the datapoint: [ 23.38566343 8.07067598]. Ok, but why do we get a singularity matrix in this case? Well, and this is our last step, therefore we have to once more consider the calculation of the covariance matrix which is:
Σc = Σiric(xi−μc)T(xi−μc)
we have seen that all
ric are zero instead for the one
xi with [23.38566343 8.07067598]. Now the formula wants us to calculate
(xi−μc). If we look at the
μc for this third gaussian we get [23.38566343 8.07067598]. Oh, but wait, that exactly the same as
xi and that's what Bishop wrote with:"Suppose that one of the components of the mixture
model, let us say the
j th
component, has its mean
μj
exactly equal to one of the data points so that
μj=xn for some value of
n" (Bishop, 2006, p.434). So what will happen? Well, this term will be zero and hence this datapoint was the only chance for the covariance-matrix not to get zero (since this datapoint was the only one where
ric>0), it now gets zero and looks like:
[0000]
Consequently as said above, this is a singular matrix and will lead to an error during the calculations of the multivariate gaussian.
So how can we prevent such a situation. Well, we have seen that the covariance matrix is singular if it is the
0 matrix. Hence to prevent singularity we simply have to prevent that the covariance matrix becomes a
0 matrix. This is done by adding a very little value (in
sklearn's GaussianMixture this value is set to 1e-6) to the digonal of the covariance matrix. There are also other ways to prevent singularity such as noticing when a gaussian collapses and setting its mean and/or covariance matrix to a new, arbitrarily high value(s). This covariance regularization is also implemented in the code below with which you get the described results. Maybe you have to run the code several times to get a singular covariance matrix since, as said. this must not happen each time but also depends on the initial set up of the gaussians.
import matplotlib.pyplot as plt
from matplotlib import style
style.use('fivethirtyeight')
from sklearn.datasets.samples_generator import make_blobs
import numpy as np
from scipy.stats import multivariate_normal
# 0. Create dataset
X,Y = make_blobs(cluster_std=2.5,random_state=20,n_samples=500,centers=3)
# Stratch dataset to get ellipsoid data
X = np.dot(X,np.random.RandomState(0).randn(2,2))
class EMM:
def __init__(self,X,number_of_sources,iterations):
self.iterations = iterations
self.number_of_sources = number_of_sources
self.X = X
self.mu = None
self.pi = None
self.cov = None
self.XY = None
# Define a function which runs for i iterations:
def run(self):
self.reg_cov = 1e-6*np.identity(len(self.X[0]))
x,y = np.meshgrid(np.sort(self.X[:,0]),np.sort(self.X[:,1]))
self.XY = np.array([x.flatten(),y.flatten()]).T
# 1. Set the initial mu, covariance and pi values
self.mu = np.random.randint(min(self.X[:,0]),max(self.X[:,0]),size=(self.number_of_sources,len(self.X[0]))) # This is a nxm matrix since we assume n sources (n Gaussians) where each has m dimensions
self.cov = np.zeros((self.number_of_sources,len(X[0]),len(X[0]))) # We need a nxmxm covariance matrix for each source since we have m features --> We create symmetric covariance matrices with ones on the digonal
for dim in range(len(self.cov)):
np.fill_diagonal(self.cov[dim],5)
self.pi = np.ones(self.number_of_sources)/self.number_of_sources # Are "Fractions"
log_likelihoods = [] # In this list we store the log likehoods per iteration and plot them in the end to check if
# if we have converged
# Plot the initial state
fig = plt.figure(figsize=(10,10))
ax0 = fig.add_subplot(111)
ax0.scatter(self.X[:,0],self.X[:,1])
for m,c in zip(self.mu,self.cov):
c += self.reg_cov
multi_normal = multivariate_normal(mean=m,cov=c)
ax0.contour(np.sort(self.X[:,0]),np.sort(self.X[:,1]),multi_normal.pdf(self.XY).reshape(len(self.X),len(self.X)),colors='black',alpha=0.3)
ax0.scatter(m[0],m[1],c='grey',zorder=10,s=100)
mu = []
cov = []
R = []
for i in range(self.iterations):
mu.append(self.mu)
cov.append(self.cov)
# E Step
r_ic = np.zeros((len(self.X),len(self.cov)))
for m,co,p,r in zip(self.mu,self.cov,self.pi,range(len(r_ic[0]))):
co+=self.reg_cov
mn = multivariate_normal(mean=m,cov=co)
r_ic[:,r] = p*mn.pdf(self.X)/np.sum([pi_c*multivariate_normal(mean=mu_c,cov=cov_c).pdf(X) for pi_c,mu_c,cov_c in zip(self.pi,self.mu,self.cov+self.reg_cov)],axis=0)
R.append(r_ic)
# M Step
# Calculate the new mean vector and new covariance matrices, based on the probable membership of the single x_i to classes c --> r_ic
self.mu = []
self.cov = []
self.pi = []
log_likelihood = []
for c in range(len(r_ic[0])):
m_c = np.sum(r_ic[:,c],axis=0)
mu_c = (1/m_c)*np.sum(self.X*r_ic[:,c].reshape(len(self.X),1),axis=0)
self.mu.append(mu_c)
# Calculate the covariance matrix per source based on the new mean
self.cov.append(((1/m_c)*np.dot((np.array(r_ic[:,c]).reshape(len(self.X),1)*(self.X-mu_c)).T,(self.X-mu_c)))+self.reg_cov)
# Calculate pi_new which is the "fraction of points" respectively the fraction of the probability assigned to each source
self.pi.append(m_c/np.sum(r_ic))
# Log likelihood
log_likelihoods.append(np.log(np.sum([k*multivariate_normal(self.mu[i],self.cov[j]).pdf(X) for k,i,j in zip(self.pi,range(len(self.mu)),range(len(self.cov)))])))
fig2 = plt.figure(figsize=(10,10))
ax1 = fig2.add_subplot(111)
ax1.plot(range(0,self.iterations,1),log_likelihoods)
#plt.show()
print(mu[-1])
print(cov[-1])
for r in np.array(R[-1]):
print(r)
print(X)
def predict(self):
# PLot the point onto the fittet gaussians
fig3 = plt.figure(figsize=(10,10))
ax2 = fig3.add_subplot(111)
ax2.scatter(self.X[:,0],self.X[:,1])
for m,c in zip(self.mu,self.cov):
multi_normal = multivariate_normal(mean=m,cov=c)
ax2.contour(np.sort(self.X[:,0]),np.sort(self.X[:,1]),multi_normal.pdf(self.XY).reshape(len(self.X),len(self.X)),colors='black',alpha=0.3)
EMM = EMM(X,3,100)
EMM.run()
EMM.predict()