第十章：隐马尔可夫模型

本笔记仅记录《统计学习方法》中各个章节算法|模型的简要概述，比较泛泛而谈，用于应对夏令营面试可能会问的一些问题，不记录证明过程和详细的算法流程。大佬可自行绕路。

更多章节内容请参阅：李航《统计学习方法》学习笔记-CSDN博客

目录

隐马尔可夫模型(HMM)概述：

一个例子：

问题背景：

模型参数：

实际观测：

解码问题（根据实际观测找出最可能的天气序列） ：

总结：

隐马尔可夫模型的定义：

隐马尔可夫模型的三要素： 

两个假设： 

观测序列的生成过程：

隐马尔可夫模型的3个基本问题：

概率计算算法：

学习算法：

预测算法： 

---

隐马尔可夫模型(HMM)概述：

HMM是用于标注问题的统计学习模型，描述由隐藏的马尔可夫链随机生成观测序列的过程，属于生成模型。

一个例子：

由于HMM比较抽象，因此在深入了解之前可以先看一个例子。（用维特比算法解决预测问题）

问题背景：

模型参数：

实际观测：

解码问题（根据实际观测找出最可能的天气序列） ：

所以最可能的天气状态是Sunny、Sunny、Rainy。 

总结：

通过隐马尔可夫模型，我们可以根据观测的活动（散步和读书）推测出最可能的天气变化（隐含状态）。在这个例子中，通过三天的活动记录，我们推测出最可能的天气序列是“晴天，晴天，雨天”。

隐马尔可夫模型广泛应用于类似的时间序列数据分析，比如语音识别、基因序列分析等，通过观测到的数据推测背后的隐藏状态序列。

在大概了解了上述例子后，接下来就可以深入了解什么是隐马尔可夫模型了。

隐马尔可夫模型的定义：

也即隐马尔可夫模型由初始概率分布、状态转移概率分布以及观测概率分布确定。

隐马尔可夫模型的三要素： 

 A和Π确定了隐藏的马尔可夫链，生成不可观测的状态序列。而B确定了如何从状态生成观测，与状态序列综合确定了如何产生观测序列。

两个假设： 

观测序列的生成过程：

隐马尔可夫模型的3个基本问题：

三种算法的实现细节可自行了解 

概率计算算法：

1. 直接计算法：概念上可行但计算上不可行
2. 前向算法
3. 后向算法

学习算法：

1. 监督学习方法
2. 无监督学习算法（Baum-Welch算法）

预测算法： 

1. 近似算法
2. 维特比算法