万字长文！搞懂机器学习中的概率图模型概率图模型（Probabilistic Graphical Models, PGM）

推荐直接网站在线阅读：aicoting.cn

概率图模型（Probabilistic Graphical Models, PGM）是一类结合概率论与图论的强大工具，用于描述多个随机变量之间的依赖关系。它通过图结构将复杂的联合概率分布分解为局部条件概率分布，使得对高维数据建模和推断变得可行且高效。

根据图的类型，PGM 可分为有向图模型（如贝叶斯网络）和无向图模型（如马尔可夫随机场）。贝叶斯网络利用有向无环图表示变量之间的因果关系，适合建模因果推断和序列数据；马尔可夫随机场则通过无向图捕捉变量之间的联合约束，更适合处理对称依赖或空间关系。

概率图模型广泛应用于自然语言处理、计算机视觉、基因组学和推荐系统等领域，能够实现推断、学习和预测等多种任务，为复杂系统提供可解释的概率表示。

所有相关源码示例、流程图、模型配置与知识库构建技巧，我也将持续更新在Github：AIHub，欢迎关注收藏！

高斯混合模型

高斯混合模型（Gaussian Mixture Model, GMM）是一种重要的概率图模型，用于对数据进行聚类和密度估计。GMM 假设数据来自若干个高斯分布的线性组合，每个高斯分布称为一个“分量”，模型通过估计各个分量的均值、方差以及混合权重来刻画整个数据分布。

与 K-means 等硬聚类方法不同，GMM 是软聚类方法，每个样本属于每个簇的概率可以不同，更加灵活地刻画数据的连续性和重叠结构。

高斯混合模型在金融风控、语音识别、图像分割以及异常检测等场景中应用广泛。例如，在图像分割中，每个像素的颜色可以建模为若干高斯分布，通过 GMM 可以将图像自动分割为不同区域。在异常检测中，GMM 可以对正常数据建模，当新样本的概率很低时被判定为异常。

模型原理

假设观测数据为 $X = \{x_1, x_2, ..., x_n\}$ ，GMM 假设每个数据点由 K 个高斯分布中的一个生成。数学表达式为： $p(x_i) = \sum_{k=1}^{K} \pi_k \mathcal{N}(x_i|\mu_k, \Sigma_k)$

其中：

$\pi_k$ 为第 k 个高斯分布的混合权重，满足
$\mathcal{N}(x|\mu_k, \Sigma_k)$ 是均值为 $\mu_k$ 、协方差矩阵为 $\Sigma_k$ 的高斯分布

GMM 的目标是通过最大化观测数据的似然函数来估计参数 $\{\pi_k, \mu_k, \Sigma_k\}$ 。由于直接最大化似然函数困难，通常使用期望最大化算法（EM）来迭代求解。

EM 算法流程

EM 算法通过两个步骤交替进行，直至参数收敛：

初始化：随机初始化每个高斯分布的均值 $\mu_k$ 、协方差 $\Sigma_k$ 和混合权重 $\pi_k$ 。
E 步（Expectation）：计算每个样本属于每个分量的后验概率（责任度）： $\gamma_{ik} = \frac{\pi_k \mathcal{N}(x_i|\mu_k, \Sigma_k)}{\sum_{j=1}^K \pi_j \mathcal{N}(x_i|\mu_j, \Sigma_j)}$
M 步（Maximization）：根据责任度更新参数：

\mu_k = \frac{\sum_i \gamma_{ik} x_i}{\sum_i \gamma_{ik}}, \quad \Sigma_k = \frac{\sum_i \gamma_{ik} (x_i - \mu_k)(x_i - \mu_k)^T}{\sum_i \gamma_{ik}}, \quad \pi_k = \frac{\sum_i \gamma_{ik}}{n}

迭代：重复 E 步和 M 步，直到似然函数收敛或达到最大迭代次数。

下面使用 Scikit-learn 对 Iris 数据集进行 GMM 聚类示例：

from sklearn.datasets import load_iris
from sklearn.mixture import GaussianMixture
import matplotlib.pyplot as plt

# 加载数据
iris = load_iris()
X = iris.data
y = iris.target

# 定义 GMM 模型
gmm = GaussianMixture(n_components=3, covariance_type='full', random_state=42)
gmm.fit(X)
labels = gmm.predict(X)

# 可视化前两维
plt.figure(figsize=(8,6))
plt.scatter(X[:,0], X[:,1], c=labels, cmap='viridis', s=40)
plt.xlabel("Feature 1")
plt.ylabel("Feature 2")
plt.title("GMM Clustering of Iris Dataset")
plt.show()

在结果中，不同颜色表示样本被分配到不同的高斯分量，GMM 能够捕捉簇的概率结构，并允许簇之间存在重叠。

由上面的内容来看，高斯混合模型是一种灵活的软聚类方法和概率密度建模工具，通过将数据表示为若干高斯分布的混合，实现对数据的连续建模。与 K-means 相比，GMM 能更好地处理簇形状不规则、簇间重叠的情况。它广泛应用于聚类、图像分割、异常检测、语音识别等领域。

通过合理选择分量数量和协方差类型，GMM 可以在实际问题中提供高精度的聚类和密度估计能力。

隐马尔可夫模型

隐马尔可夫模型（Hidden Markov Model, HMM）是一种经典的概率图模型，用于建模含有隐含状态的序列数据。它假设观测序列是由一组不可直接观察的隐藏状态生成的，而隐藏状态之间满足马尔可夫性（当前状态只依赖于前一个状态）。HMM 在自然语言处理、语音识别、基因序列分析、行为预测等领域都有广泛应用，能够有效处理时间序列或序列依赖数据。

在 HMM 中，每个隐藏状态会以一定概率生成观测值，因此 HMM 不仅可以对序列进行建模，还可以进行序列预测、状态解码以及参数估计。与 GMM 等静态概率模型不同，HMM 显式考虑了数据的时序特性，能捕捉动态演化规律。

模型定义

一个 HMM 通常由以下三部分组成：

状态集 $S = \{s_1, s_2, ..., s_N\}$ ：表示模型的隐藏状态，总数为 N。
观测集 $O = \{o_1, o_2, ..., o_M\}$ ：表示可观测的符号或特征，总数为 M。
参数集：

状态转移概率矩阵 $A = [a_{ij}]$ ，其中 $a_{ij} = P(s_j \mid s_i)$
观测概率矩阵 $B = [b_{jk}]$ ，其中 $b_{jk} = P(o_k \mid s_j)$
初始状态概率向量 $\pi = [\pi_i]$ ，其中 $\pi_i = P(s_i \text{ at time } t=1)$

HMM 的核心目标是通过观测序列 $O = (o_1, o_2, ..., o_T)$

来解决三个典型问题：

评估问题：给定模型参数，计算观测序列的概率 $P(O|\lambda)$ 。
解码问题：给定观测序列，找到最可能的隐藏状态序列（常用 Viterbi 算法）。
学习问题：给定观测序列，估计模型参数 $(A, B, \pi)$ （常用 Baum-Welch/EM 算法）。

算法流程

以最常用的 Baum-Welch 算法（EM 算法的一种）为例，HMM 的训练流程如下：

初始化：随机初始化状态转移矩阵 A、观测概率矩阵 B 和初始状态概率 $\pi$ 。
E 步（Expectation）：计算前向概率 $\alpha$ 和后向概率 $\beta$ ，用于估计每个时间点的状态概率。
M 步（Maximization）：根据前向后向概率更新 $(A, B, \pi)$ 参数，使观测序列的似然概率最大化。
迭代：重复 E 步和 M 步，直到模型收敛或达到最大迭代次数。

对于状态解码问题，常用 Viterbi 算法，通过动态规划求解最可能的隐藏状态序列。

下面使用 hmmlearn 库对一个简单的离散序列进行 HMM 建模和预测：

import numpy as np
from hmmlearn import hmm

# 假设观测值 0,1,2（离散类别），隐藏状态 0,1
obs = np.array([[0],[1],[0],[2],[1],[0],[2],[1]])  # 注意列向量

# 定义 HMM，禁止自动初始化
model = hmm.MultinomialHMM(n_components=2, n_iter=100, random_state=42, init_params="")

# 手动设置参数
model.startprob_ = np.array([0.6, 0.4])
model.transmat_ = np.array([[0.7, 0.3],
                            [0.4, 0.6]])

# emissionprob_ 形状必须是 (n_components, n_features)
# n_features = 3，因为观测值 0,1,2 共 3 类
model.emissionprob_ = np.array([[0.5, 0.4, 0.1],
                                [0.1, 0.3, 0.6]])

# 训练 HMM
model.fit(obs)

# 解码隐藏状态序列
hidden_states = model.predict(obs)
print("隐藏状态序列:", hidden_states)

在这个示例中，HMM 对观测序列进行了建模，并预测了最可能的隐藏状态序列。

HMM 的时序建模能力使其在多个领域表现出色：

语音识别：将语音信号序列映射到音素或文字序列。
自然语言处理：词性标注、命名实体识别等序列标注任务。
生物信息学：基因序列分析、蛋白质二级结构预测。
行为预测与异常检测：对时间序列数据进行模式发现和异常识别。

简单总结一下HMM，HMM 是一种经典的序列概率模型，通过隐藏状态和观测概率描述序列数据的生成机制。与静态概率模型（如 GMM）不同，HMM 显式考虑时序依赖和马尔可夫性，能够捕捉动态演化规律。

通过合理设计状态数和初始化参数，HMM 可以在语音、文本、生物序列及行为数据等领域提供强大的建模能力。

贝叶斯网络

贝叶斯网络（Bayesian Network, BN）是一种基于概率的图模型，用于表示变量之间的条件依赖关系。它由一个有向无环图（Directed Acyclic Graph, DAG）和与节点对应的条件概率表（Conditional Probability Table, CPT）组成。节点代表随机变量，边表示变量之间的依赖关系，而 CPT 则量化了这种依赖关系的强度。

贝叶斯网络能够处理不确定性、推理复杂系统、进行因果分析，并广泛应用于医疗诊断、故障检测、自然语言处理、风险评估等领域。与其他概率模型不同，贝叶斯网络显式地表示变量之间的条件依赖与独立性，使得复杂的联合概率分布能够分解为局部概率分布的乘积，从而大幅降低计算复杂度。

模型定义

一个贝叶斯网络通常由两部分组成：

结构（DAG）

节点 $X_1, X_2, ..., X_n$ 表示随机变量
有向边 $X_i \to X_j$ 表示 $X_j$ 的概率分布依赖于 $X_i$
图中不允许环路（无环性保证了概率计算的正确性）

参数（CPT）

每个节点 $X_i$ 都有条件概率表P(X_i \mid \text{Parents}(X_i))
若节点没有父节点，则为边缘概率 $P(X_i)$
联合概率分布可分解为各节点条件概率的乘积： $P(X_1, X_2, ..., X_n) = \prod_{i=1}^{n} P(X_i \mid \text{Parents}(X_i))$

核心特点

贝叶斯网络的核心特点：

表达条件独立性：通过 DAG 的结构，能够清晰地表示哪些变量是条件独立的，从而减少计算复杂度。
因果建模能力：可以用于描述因果关系而不仅仅是相关性。
灵活的概率推理：可以进行边缘化、条件推理和后验推断。

优点：

模型可解释性强
能处理不完整数据
可进行推理和决策支持

缺点：

学习 DAG 结构复杂（尤其是变量多时）
CPT 随父节点数量增加呈指数增长
对连续变量需要离散化或假设特定分布

学习与推理

贝叶斯网络涉及两类核心任务：

结构学习

从数据中学习网络结构
常用方法：贪心搜索、约束方法、得分函数（如 BIC, AIC）

参数学习

给定 DAG，学习 CPT
可使用极大似然估计（MLE）或贝叶斯估计

推理（Inference）

给定部分变量的观测值，计算其他变量的后验分布
方法：精确推理（变量消元、信念传播）和近似推理（蒙特卡洛采样、Gibbs 采样）

下面用 pgmpy 对一个简单的贝叶斯网络建模、参数学习和推理：

import pandas as pd
from pgmpy.models import BayesianModel
from pgmpy.estimators import MaximumLikelihoodEstimator
from pgmpy.inference import VariableElimination

# 定义网络结构
model = BayesianModel([('Rain', 'Traffic'), ('Accident', 'Traffic')])

# 构造数据
data = pd.DataFrame({
    'Rain': [0, 0, 1, 1, 0, 1, 0, 1],
    'Accident': [0, 1, 0, 1, 0, 0, 1, 1],
    'Traffic': [0, 1, 1, 1, 0, 1, 1, 1]
})

# 参数学习
model.fit(data, estimator=MaximumLikelihoodEstimator)

# 推理
infer = VariableElimination(model)
posterior = infer.query(variables=['Traffic'], evidence={'Rain': 1, 'Accident': 0})
print(posterior)