多项式分布的贝叶斯推断

多项式分布是非常常见的分布，他是二项分布在多维上的推广。例如掷骰子结果中，1-6点出现的次数就是一个多项式分布。多项式分布在如主题建模中非常常见，本文将讲述多项式分布的贝叶斯推导过程。

假设$x$是一个离散的变量，取值可能是$1,2,\cdots,K$。那么关于$x$的概率分布的集合可以使用一个参数为向量$\textbf{p}$的分布表示，其中$p(x=k)=p\_k$。另一种写法如下：

```math
p(x|\textbf{p})=\prod_{k=1}^K p_k^{\delta(x=k)}
```

这里的$\delta(x=k)$是一个指示函数，当x=k时，它的结果为$1$，否则为$0$。那么$N$个独立同分布的样本$\textbf{X}=\\{ x\_1,\cdots,x\_N \\}$的联合概率分布就是：

```math
p(\textbf{X}|\textbf{p}) = \prod_{k=1}^K p_k^{N_k}
```

```math
N_k = \sum_i \delta(x_i=k)
```
其实$N\_k$的意思就是观测值是$k$的变量的个数。那么，在这里这些数量的联合概率应该是：

```math
p(N_1\cdots N_K|\textbf{p}) =

\begin{pmatrix}
N\\
N_1\cdots N_K

\end{pmatrix}

\prod_{k=1}^K p_k^{N_k}
```

这里的观测值是多项式分布，其先验可以设置成Dirichlet分布，这样它的后验也就是Dirichlet分布了。假设$\textbf{p}$的先验分布是参数为$\alpha$的Dirichlet分布：

```math
p(\textbf{p}|\alpha) \sim \mathcal{D}(\alpha_1,\cdots,\alpha_K) = \frac{\Gamma(\sum_k\alpha_k)}{ \prod_{k=1}^{K} \Gamma(\alpha_k)} \prod_{k=1}^{K}p_k^{\alpha_k-1}
```

#### 证据（Evidence）

```math
\begin{aligned}

p(\textbf{X}|\alpha) &= \int_\textbf{p} p(\textbf{p},\textbf{X}|\alpha) d\textbf{p} \\

&\\

&= \int_\textbf{p} p(\textbf{X}|\textbf{p})p(\textbf{p}|\alpha) d\textbf{p} \\

&\\

&= \int_\textbf{p} \prod_{k=1}^K p_k^{N_k} \cdot \frac{\Gamma(\sum_k\alpha_k)}{ \prod_{k=1}^{K} \Gamma(\alpha_k)} \prod_{k=1}^{K}p_k^{\alpha_k-1} d\textbf{p} \\

&\\

&=  \frac{\Gamma(\sum_k\alpha_k)}{ \prod_{k=1}^{K} \Gamma(\alpha_k)} \int_\textbf{p} \prod_{k=1}^{K}p_k^{N_k+\alpha_k-1} d\textbf{p} \\

&\\

&=  \frac{\Gamma(\sum_k\alpha_k)}{ \prod_{k=1}^{K} \Gamma(\alpha_k) } \cdot \frac{ \prod_{k=1}^{K} \Gamma( N_k+\alpha_k) }{ \Gamma(\sum_k(N_k+ \alpha_k)) }  \int_\textbf{p} \frac{\Gamma(\sum_k(N_k+ \alpha_k)) }{  \prod_{k=1}^{K} \Gamma( N_k+\alpha_k) } \prod_{k=1}^{K}p_k^{N_k+\alpha_k-1} d\textbf{p} \\

\end{aligned}
```

其中，积分内部的项就是一个Dirichlet分布：
```math
\mathcal{D}(\textbf{p};N_k+\alpha_k) = \frac{\Gamma(\sum_k(N_k+ \alpha_k)) }{  \prod_{k=1}^{K} \Gamma( N_k+\alpha_k) } \prod_{k=1}^{K}p_k^{N_k+\alpha_k-1}
```

对这个分布的所有的参数求积分最终结果就是1了，因此上式继续可以化简：

```math
p(\textbf{X}|\alpha) =  \frac{\Gamma(\sum_k\alpha_k)}{ \Gamma(\sum_k(N_k+ \alpha_k)) } \cdot  \prod_{k=1}^{K} \frac{  \Gamma( N_k+\alpha_k) }{ \Gamma(\alpha_k) }  
```

我们假设所有数据点的数量是$N=\sum\_k N\_k$，因此：

```math
p(\textbf{X}|\alpha) =  \frac{\Gamma(\sum_k\alpha_k)}{ \Gamma(N+ \sum_k(\alpha_k)) } \cdot  \prod_{k=1}^{K} \frac{  \Gamma( N_k+\alpha_k) }{ \Gamma(\alpha_k) }  
```

#### 联合分布（Joint Distribution Probability）

```math
\begin{aligned}

p(\textbf{X},\textbf{p}|\alpha) &= \frac{p(\textbf{X}|\textbf{p})p(\textbf{p}|\alpha)p(\alpha)}{p(\alpha)} \\

&\\

&= p(\textbf{X}|\textbf{p})p(\textbf{p}|\alpha) \\

&\\

&= \prod_{k=1}^K  p_k^{N_k} \cdot \frac{\Gamma(\sum_k\alpha_k)}{ \prod_{k=1}^{K} \Gamma(\alpha_k)} \prod_{k=1}^{K}p_k^{\alpha_k-1} \\

&\\

&= \frac{\Gamma(\sum_k\alpha_k)}{ \prod_{k=1}^{K} \Gamma(\alpha_k)} \prod_{k=1}^{K}p_k^{N_k+\alpha_k-1}

\end{aligned}
```

#### 后验分布（Posterior Distribution Probability）

```math
\begin{aligned}

p(\textbf{p}|\textbf{X},\alpha) &= \frac{ p(\textbf{X}|\textbf{p})p(\textbf{p}|\alpha)}{ p(\textbf{X},\alpha) } \\

&\\

&= \frac{ p(\textbf{X}|\textbf{p})p(\textbf{p}|\alpha)}{ \int_\textbf{p} p(\textbf{X},\textbf{p},\alpha) d\textbf{p}} \\

&\\

&= \frac{ p(\textbf{X}|\textbf{p})p(\textbf{p}|\alpha)}{ \int_\textbf{p} p(\textbf{X}|\textbf{p})p(\textbf{p}|\alpha) d\textbf{p}}  \\

&\\

&= \frac{\Gamma(\sum_k\alpha_k)}{ \prod_{k=1}^{K} \Gamma(\alpha_k)} \prod_{k=1}^{K}p_k^{N_k+\alpha_k-1} /  \frac{\Gamma(\sum_k\alpha_k)}{ \Gamma(N+ \sum_k(\alpha_k)) } \cdot  \prod_{k=1}^{K} \frac{  \Gamma( N_k+\alpha_k) }{ \Gamma(\alpha_k) } \\

&\\

&= \frac{\Gamma(N+ \sum_k(\alpha_k))}{ \prod_{k=1}^{K}\Gamma( N_k+\alpha_k) } \cdot \prod_{k=1}^{K} p_k^{N_k+\alpha_k-1} \\

&\\

&\sim \mathcal{D}(\textbf{p};N_k+\alpha_k)

\end{aligned}
```

#### 预测分布（Predictive Distribution）

假设已经有了$N$个观测值，我们现在要预测第$N+1$个观测值属于某个类别$k$的概率，则：
```math
\begin{aligned}

p(\tilde{x}=k|\textbf{X},\alpha) &= \frac{ p(\tilde{x}=k,\textbf{X},\alpha) }{p(X,\alpha)} \\

&\\

&= \frac{ \int_\textbf{p} p(\tilde{x}=k,\textbf{X}|\textbf{p}) p(\textbf{p}|\alpha) d\textbf{p} }{ \int_\textbf{p} p(\textbf{X}|\textbf{p}) p(\textbf{p}|\alpha) d\textbf{p} }  \\

&\\

&= \frac{ \int_\textbf{p} p_1,\cdots,p_{N},p_k \frac{\Gamma(\sum_k\alpha_k) }{ \prod_{k=1}^{K} \Gamma(\alpha_k)} \prod_{k=1}^{K}p_k^{\alpha_k-1} d\textbf{p} }{ \int_\textbf{p} p_1,\cdots,p_{N} \frac{\Gamma(\sum_k\alpha_k) }{ \prod_{k=1}^{K} \Gamma(\alpha_k)} \prod_{k=1}^{K}p_k^{\alpha_k-1} d\textbf{p} }  \\

&\\

&= \frac{N_k+\alpha_k}{N+\alpha}

\end{aligned}
```

参考文献：https://tminka.github.io/papers/minka-multinomial.pdf

多项式分布的贝叶斯推断

欢迎大家关注DataLearner官方微信，接受最新的AI技术推送

相关博客

最热博客