【机器学习前置知识】隐变量

隐变量又称潜变量，顾名思义就是隐藏着的随机变量，它不能通过观测来得到，或者说它产生的过程是不可观测的，然而它却可以在潜移默化中影响可观测变量。

我们用抛硬币为例来解释什么是隐变量。假设有 $A、B、C$ 三枚硬币，正面向上的概率分别为 ${\theta }_A$ 、${\theta }_B$、${\theta }_C$ ，我们想求出${\theta }_B$ 和 ${\theta }_C$ ，目前尚不知晓，但可以通过抛硬币的观测结果推测出来。

抛这三枚硬币的游戏规则是：第一步，先抛硬币 $A$ ，第二步，如果硬币 $A$ 正面向上，则选择硬币 $B$ 抛10次，记录这10次的结果；如果硬币 $A$ 反面向上，则选择硬币 $C$ 抛10次，记录这10次的结果。这样重复5次，则可以得到50个抛硬币的观测数据：

我们可以利用这个观测结果来估计${\theta }_B$ 和 ${\theta }_C$。

硬币 $B$ 在30次中正面向上出现24次，反面向上出现6次，由极大似然可得出现这种结果的概率为 ${\theta }_B^{24}(1-{\theta }_B{)}^6$，对应的图像如下：

可以看到在 ${\theta }_B=0.8$ 时取到最大值，即 ${\theta }_B=\frac{24}{30}=0.8$ 。

同理可得 ${\theta }_C=\frac{9}{20}=0.45$ ，至此，我们通过观测数据估计出了硬币 $B、C$ 正面向上的概率，然而我们需要知道，得到这组观测数据的前提是每次我们知道该抛的是硬币 $B$ 还是硬币 $C$ 。

如果我们在上面的抛硬币游戏中，将第一步放入暗箱里操作，也就是说抛硬币 $A$ 的结果我们不得而知，只能得到最终50个观测结果：

那么在这种情况下，如何去估计出 ${\theta }_B$ 和 ${\theta }_C$ 呢？此时，就不能用最大似然去估计了，因为我们不再知道每组结果是来自硬币 $B$ 还是 $C$ 。

这里未知的硬币 $A$ 的结果，其实就是个隐变量。

关于这种情况下 ${\theta }_B$ 和 ${\theta }_C$ 的求法，我会在后面的 EM 算法里讲。