机器学习_马尔科夫模型

【1】参考：http://blog.csdn.net/pipisorry/article/details/46618991

【2】确定性模型：每一个状态都依赖于前一个状态。比如说红灯-黄灯-绿灯。是有顺序的

【3】非确定性模型：

         马尔科夫假设：假设模型的当前状态仅仅依赖于前面几个状态。一个马尔科夫过程是状态间的转移仅依赖于前n个状态的过程。这个过程被称之为n阶马尔科夫模型。

         非确定性原因是不确定由哪n个状态去决定，这里有一个概率值。

【4】隐藏模式：未看

【5】马尔可夫模型：

        马尔可夫模型表示观测序列的联合概率分布为：

       

         如何理解这个式子呢？

         1.首先因为不独立，独立了还依赖什么状态呀!所以不能写成各项概率之积。所以为联合概率可用贝叶斯公式展开。

          P(X1，...,XN)=P(X1，...,XN-1)*P(XN|X1，...,XN-1)

         2.展开时可以从递归去理解。

         3.展开后的条件概率的意思是xN发生了概率和前N-1项有关，理解这项，当只于前2项有关时可做适当公式调整得到

         eg：一阶马尔可夫链：

        

【6】本次复习是自然语言课应用于马尔可夫到了  句法结构（句子中，一个词和它前面的n个词有关）

【7】遇到其他相关知识点可参考上文链接