近期，有人将本人博客，复制下来，直接上传到百度文库等平台。
本文为原创博客，仅供学习使用。未经允许，禁止将其复制下来上传到百度文库等平台。如有转载请注明本文博客的地址(链接)

简介

无监督学习的目的是从观测数据中，发掘潜在的结构(latent structure)。无监督学习算法的一个关键问题是如何确定潜在结构的数目，如聚类中的类的数目，变量的数目等。以聚类为例，如果能够基于数据之间的内在关系，自动学习类的数目，要比通过经验设置一个数目要好的多。

相比参数化的贝叶斯模型，非参贝叶斯有其独特的地方，也是近些年来，机器学习比较火的一种方法，如DPMM(Dirichlet process mixture model)、层次DP过程（Hierarchical Dirichlet Processes）等。DPMM和HDP模型都是假设一个数据点只能分配到一个潜在类或者簇中(each datapoint is assigned to a latent class)，即一个数据点。相反，无监督学习的一些模型中，假设一个数据点可以拥有多个特征，经典的模型有主成分分析(PCA)、因子分析（factor analysis）。从图(1)中可以看出每个数据点 x <script type="math/tex" id="MathJax-Element-1">x</script> 对应一个所属的类 θ<script type="math/tex" id="MathJax-Element-2">\theta </script>。 从图(2)中可以看出，每个数据点(顾客)只能被分配到一个类中(即一个顾客只能坐一张座子)，在黑白格子的图中，行代表数据点(顾客)，列代表隐特征(菜-类)，可以看出，每一个数据点，在一行中，只有一个涂黑的。

关于中餐馆过程可以参考我写的另外的博客：
http://blog.csdn.net/qy20115549/article/details/52371443
也可参考相关论文（提供一篇中文的，一篇英文的）：
Teh Y W, Jordan M I, Beal M J, et al. Sharing clusters among related groups: Hierarchical Dirichlet processes[C]//Advances in neural information processing systems. 2005: 1385-1392.

周建英, 王飞跃, 曾大军. 分层 Dirichlet 过程及其应用综述[J]. 自动化学报, 2011, 37(4): 389-407.

图(1) 左图为DPMM 右图为HDP



图(2) 中餐馆过程

印度自助餐过程(Indian Buffet Process,IBP)是2005年提出的，其核心思想是一个数据点可用无限个二元特征表示，即数据点可以拥有多个隐性特征，且这些特征的概率和不为1。该过程定义了一个有限维行（数据点的个数）、无限维列（隐特征数目）的先验。从图3和图4中，可以看出，一个数据点可以拥有多个隐特征，形象的理解为一个自助餐馆中，一个顾客可以选择吃多个菜。

图(3) IBP过程



图(4) IBP过程

隐类别模型(Latent Class Models)

在隐类别模型中，一个数据点只能属于一个类别，主要包括有限混合模型和无限混合模型。

有限混合模型

假设有 N <script type="math/tex" id="MathJax-Element-3">N</script> 个数据点，有K个类，其概率生成模型可以表示如下

<script type="math/tex; mode=display" id="MathJax-Element-4">\theta | \alpha \sim Dirichlet\left(\frac{\alpha }{K},\frac{\alpha }{K},\cdots ,\frac{\alpha }{K} \right)</script>

<script type="math/tex; mode=display" id="MathJax-Element-5">c_{i}|\theta \sim Discret\left ( \theta \right )</script>

利用多项式分布与Dirichlet共轭，有如下公式：

对隐变量 θ <script type="math/tex" id="MathJax-Element-6"> \theta</script>进行积分得：

我们可以看到 p(c) <script type="math/tex" id="MathJax-Element-7">p\left ( c \right )</script> 依旧服从Dirichlet分布。

无限混合模型

可以参考我这篇博客：http://blog.csdn.net/qy20115549/article/details/77905679
主要介绍的是DPMM。
也可看这两篇论文：
Teh Y W, Jordan M I, Beal M J, et al. Sharing clusters among related groups: Hierarchical Dirichlet processes[C]//Advances in neural information processing systems. 2005: 1385-1392.

周建英, 王飞跃, 曾大军. 分层 Dirichlet 过程及其应用综述[J]. 自动化学报, 2011, 37(4): 389-407.

下面两个图，一个是有向图表示，一个是生成过程。

其对隐特征的抽样公式如下：

中餐馆过程

中国餐馆过程是一个典型的Dirichlet过程混合模型。可以将中国餐馆过程描述如下：
1.假设一个中国餐馆中，可以有无限个桌子。

2.来吃饭的第一位顾客坐了第一张桌子。

3.对于每一位顾客，都按照下面的规则来选择桌子坐下，对于第n个顾客：
（3.1）顾客选择坐在已经有人的桌子上，这样的概率为

<script type="math/tex; mode=display" id="MathJax-Element-8">\frac{n_{k}}{\alpha_{0}+n-1}</script>
其中， nk <script type="math/tex" id="MathJax-Element-9">n_{k}</script> 表示第 k <script type="math/tex" id="MathJax-Element-10">k</script>个桌子上已经有的顾客数。n−1<script type="math/tex" id="MathJax-Element-11">n-1</script>表示在这个顾客之前，已有的顾客总数。
（3.2）顾客可以选择坐在一个没有人坐的桌子上 K+1 <script type="math/tex" id="MathJax-Element-12">K+1</script>的概率为
<script type="math/tex; mode=display" id="MathJax-Element-13">\frac{\alpha_{0}}{\alpha_{0}+n-1}</script>

在这里，可以将顾客类比成数据，将每一张桌子类别成类。

隐特征模型(Latent Feature Models)

印度自助餐过程(Indian Buffet Process)

简介

印度自助餐过程可以类比成: N <script type="math/tex" id="MathJax-Element-14">N</script> 个顾客（表示 N<script type="math/tex" id="MathJax-Element-15">N</script> 个数据）进入一个有无穷多菜品的自助餐馆进行选餐的过程，用 1 <script type="math/tex" id="MathJax-Element-16">1</script> 表示选择了该菜，用 0<script type="math/tex" id="MathJax-Element-17">0</script> 表示没有选择该菜，一个用户可以选择多个菜，直到其餐盘满了。

在印度自助餐过程中，
（1）： N <script type="math/tex" id="MathJax-Element-18">N</script> 个顾客，一个接着一个进入餐馆，餐馆中的自助菜品排成一排供顾客选择。第一个顾客从左至右开始选择K1<script type="math/tex" id="MathJax-Element-19">K_{1}</script> 个菜品，其中：

<script type="math/tex; mode=display" id="MathJax-Element-20">K_{1}\sim Poisson\left(\alpha \right)</script>

（2）:对于第二个顾客及后面的顾客则存在两种情况：
（2.1）对于已被选择的菜品，该顾客按照选择该菜品的人数成正比的概率选择该菜品，即 mki <script type="math/tex" id="MathJax-Element-21">\frac{m_{k}}{i}</script> ，其中 mk <script type="math/tex" id="MathJax-Element-22">m_{k}</script> 表示选择第 k <script type="math/tex" id="MathJax-Element-23">k</script> 个菜品的人数 。
（2.2）或者选择 Ki<script type="math/tex" id="MathJax-Element-24">K_{i}</script> 个从未被其他顾客选择的菜品，其中：

<script type="math/tex; mode=display" id="MathJax-Element-25">K_{i}\sim Poisson\left(\frac{\alpha }{i} \right)</script>

如下图所示：当 α=10 <script type="math/tex" id="MathJax-Element-26">\alpha =10</script> 的情况。

Gibbs Sampling

当 K→∞ <script type="math/tex" id="MathJax-Element-27">K\rightarrow \infty </script> 时，得：

由贝叶斯公式可得后验为：

公式中的p\left ( X|Z \right )为数据似然，计算时，要根据数据的分布。

参考文献：
Teh Y W, Jordan M I, Beal M J, et al. Sharing clusters among related groups: Hierarchical Dirichlet processes[C]//Advances in neural information processing systems. 2005: 1385-1392.

Griffiths T L, Ghahramani Z. The indian buffet process: An introduction and review[J]. Journal of Machine Learning Research, 2011, 12(Apr): 1185-1224.

Ghahramani Z. The Indian Buffet Process[J].

朱军, 胡文波. 贝叶斯机器学习前沿进展综述[J]. 计算机研究与发展, 2015, 52(1): 16-26.