文章目录
前言
本文主要介绍了隐马尔可夫模型,包含HMM基础、HMM的参数及推理、参数估计等内容。
一、HMM基础
1.时间序列数据
常见的非序列和序列数据如下:
非序列数据
例如图片、人的特征等。
从时间角度来看,这些数据的维度是固定的,不会随着时间的变化而变化。
序列数据
股票价格、语音、文本、天气温度的变化等数据。
数据会随着时间的改变而改变,即沿着时间的维度而变化,而不是一直不变,而且相邻时刻之间有一定的相关性。同时序列数据的长度不是固定的,
因为一般的机器的数据输入一般是长度固定的,因此在使用一些模型(例如逻辑回归、SVM等)处理序列数据的时候,因为没有考虑到时间维度,因此损失了一些很重要的信息。此时需要一种专门的模型,能够捕获时间信息,同时不依赖于数据的长度,可以动态接受不同长度的数据。这就是时间序列模型,包括传统机器学习中HMM、CRF,深度学习中的RNN、LSTM等模型,都是时序模型。
2.HMM基本概念
HMM(Hidden Markov Model,隐马尔可夫模型