蓝羽飞鸟的博客

本文详解paper “A Tutorial on HMMs and Selected Applications in Speech Recognition"并进行matlab实现（尽量用其他编程语言通用的实现） **为方便代码，注释部分用python的”#" 实现HMM模型用于简单的曲线分类 先定义HMM变量 曲线在T个时刻取值 observation定义为曲线可以取的值，这里先把曲线做归一化，然后从0到1之间以0.1为间隔切为10个区间，依次标号1到10，那么observation就有10个，为1到10的

本文详解paper "A Tutorial on HMMs and Selected Applications in Speech Recognition"并进行matlab实现（尽量用其他编程语言通用的实现） Problem 3 调整参数使在模型下观测序列概率最大 目前没有方法分析是观测序列概率最大的方法，只有迭代法逐步逼近局部最大值， 如Baum-Welch法，即EM 迭代更新HMM模型中的变量 t时刻在state Si, t+1时刻在Sj, 给出model和观测序列O下的概率 代入前面的forwa

本文详解paper "A Tutorial on HMMs and Selected Applications in Speech Recognition"并进行matlab实现（尽量用其他编程语言通用的实现，不实现problem2） Problem 2 给出observation序列，模型lambda=(A,B,pi), 选择state序列Q=q1q2…qT 即探索隐性状态 问题在于如何定义最佳state，即最佳的标准 定义变量 即给出模型和观测序列，估计出t时刻state为Si的概率 用problem

本文详解paper "A Tutorial on HMMs and Selected Applications in Speech Recognition"并进行matlab实现（尽量用其他编程语言通用的实现） 举个简单的HMM例子 天气： 状态转移矩阵A size:state*state： 问接下来的7天天气依次是”sun sun rain rain…”的概率，也就是说observation O = {S3, S3, S3, S1, S1, S3, S2, S3}的概率，对应时间t=1~8 给定mod

用小数据集测试catboost，并画出ROC曲线 数据集用CSV 首先import需要的库 import pandas as pd import numpy as np from catboost import CatBoostClassifier,CatBoostRegressor,Pool from sklearn.metrics import roc_curve, auc import matplotlib.pyplot as plt pandas读入csv 去掉标题的第一行 obj=pd.r