斯坦福大学机器学习——高斯判别分析

转自 http://blog.csdn.net/linkin1005/article/details/39054023

同朴素贝叶斯一样，高斯判别分析（Gaussian discriminant analysismodel, GDA）也是一种生成学习算法，在该模型中，我们假设y给定的情况下，x服从混合正态分布。通过训练确定参数，新样本通过已建立的模型计算出隶属不同类的概率，选取概率最大为样本所属的类。

一、混合正态分布（multivariate normal distribution）

混合正态分布也称混合高斯分布。该分布的期望和协方差为多元的：期望,协方差，协方差具有对称性和正定性。混合高斯分布：，它的的概率密度函数为：

其中，为混合高斯分布的期望，为其协方差，表示协方差的行列式。

下面用图形直观的看一下二维高斯分布的性质：

以上三个图形的期望都为：，最左端图形的协方差，中间的，最右端的，我们可以看出：当变小时，图像变得更加“瘦长”，而当增大时，图像变得更加“扁平”。

再看看更多的例子：

以上三个图形的期望都为：，从左至右三个图形的协方差分别的：

可以看到随着矩阵的逆对角线数值增加，图形延方向，即底部坐标45度角压缩。图形在这个方向更加“扁”。

以上三幅图分别是以上图形的等高线，可以更直观的看到调整逆对角线的数值对图像的压缩程度。

以上三幅图保持协方差不变，期望的值分别为

；；

可以看出，随着期望的改变，图形在平面上平移，而其他特性保持不变。

二、高斯判别分析模型

如果特征值x是连续的随机变量，我们可以使用高斯判别分析模型完成特征值的分类。为了简化模型，假设特征值为二分类，分类结果服从0-1分布。（如果为多分类，分类结果就服从二项分布）

模型基于这样的假设：

他们的概率（密度）函数分别为：

模型的待估计参数为，通常模型有两个不同的期望，而有一个相同的协方差。

该模型的极大似然对数方程为：

                                                                                         

                                                        

                                                        

求解该极大似然方程得：

在对计算完成之后，将新的样本x带入进建立好的模型中，计算出、，选取概率更大的结果为正确的分类。

三、GDA和logistic回归

GDA模型和logistic回归模型存在这样有趣的关系：假如我们将视作关于x的函数，该函数可以表示成logistic回归形式：

 

其中，可以用以为变量的函数表示。

前文中已经提到，如果为混合高斯分布，那么，就可以表示成logistic回归函数形式；相反，如果可表示成logistic回归函数形式，并不代表服从混合高斯分布。这意味着GDA比logistic回归需要更加严格的模型假设，当然，如果混合高斯模型的假设是正确的，那么，GDA具有更高的拟合度。基于以上原因，在实践中使用logistic回归比使用GDA更普遍。