《数据挖掘》第二次实验


一、三门问题(Monty Hall problem),亦称为蒙提霍尔问题

  三门问题(Monty Hall problem)亦称为蒙提霍尔问题、蒙特霍问题或蒙提霍尔悖论,大致出自美国的电视游戏节目Let’s Make a Deal。问题名字来自该节目的主持人蒙提·霍尔(Monty Hall)。
  参赛者会看见三扇关闭了的门,其中一扇的后面有一辆汽车,选中后面有车的那扇门可赢得该汽车,另外两扇门后面则各藏有一只山羊。
  当参赛者选定了一扇门,但未去开启它的时候,节目主持人开启剩下两扇门的其中一扇,露出其中一只山羊。主持人其后会问参赛者要不要换另一扇仍然关上的门。
  问题是:换另一扇门会否增加参赛者赢得汽车的机率?
  注意此处规定了主持人必开山羊的门,而不是随手开任意一道门。

(1)从概率角度进行分析

  假设A、B、C三扇门后面分别是山羊、山羊、汽车。

  若参赛者开始选中的是后面有汽车的门C(概率为1/3),主持人打开后面有山羊的门B。这时参赛者如果换门,选中汽车的概率为1/3 ∗ * 0=0;如果不换门,选中汽车的概率为1/3*1=1/3。

  若参赛者开始选中的是后面有山羊的门A(概率为1/3),主持人打开后面有山羊的门B。这时参赛者如果换门,选中汽车的概率为1/3 ∗ * 1=1/3;如果不换门,选中汽车的概率为1/3*0=0。

  若参赛者开始选中的是后面有山羊的门B(概率为1/3),主持人打开后面有山羊的门A,这时参赛者如果换门,选中汽车的概率为1 ∗ * 1/3=1/3;如果不换门,选中汽车的概率为1/3*0=0。

#概率角度
no_change=0
change=0
for i in range(1,4):
    if i == 1:#car
        change=change+0
        no_change=no_change+1/3
    elif i == 2:#sheepA
        change = change + 1/3
        no_change = no_change+0
    elif i == 3:#sheepB
        change = change + 1/3
        no_change = no_change+0
print('换一扇门获得车的概率:',change,'\n不换门获得车的概率:',no_change)

在这里插入图片描述

(2)从蒙特卡洛思想上进行分析

import random

def play():
    # 初始化三扇门
    doors = ['car', 'sheep', 'sheep']
    tv_choice = [0, 1, 2]

    # 随机选择一扇门
    your_choice = random.randint(0, 2)

    tv_choice.remove(0)
    if your_choice != 0:
        tv_choice.remove(your_choice)

    # 主持人打开一扇有山羊的门
    open_door = np.random.choice(tv_choice)

    # 改变选择
    remaining_doors = [0, 1, 2]
    remaining_doors.remove(your_choice)
    remaining_doors.remove(open_door)
    your_choice = remaining_doors[0]

    # 判断最终结果
    if doors[your_choice] == 'car':
        return True
    else:
        return False

def simulate(epochs):
    wins = 0
    for _ in range(epochs):
        if play():
            wins += 1

    probability = wins / epochs
    return probability

# 模拟执行10000次,计算获胜概率
epochs = 10000
win_probability = simulate(epochs)
print("换门获得车的概率:", win_probability,"\n换门获得车的概率:", 1-win_probability)

在这里插入图片描述


二、一阶马尔科夫链模型(牛市熊市)

import numpy as np

class stock:
    def __init__(self):
        pass
    def stock(self):
        transition_probability = [[0.9,0.075,0.025],[0.15,0.8,0.05],[0.25,0.25,0.5]]
        pi = [0.3,0.4,0.3]
        for i in range(10):
            pi = np.dot(pi,transition_probability)
            #输出状态矩阵
            print("最终概率矩阵为:"+str(pi))

if __name__ == '__main__':
    stock=stock()
    stock.stock()

在这里插入图片描述


三、隐马尔可夫模型

1、隐马氏模型的定义

  隐马尔可夫模型(Hidden Markov Model,简称HMM)是可用于标注问题的统计学习模型,属于生成模型;
  隐马尔可夫模型是结构最简单的动态贝叶斯网络,是一种有向图模型;
  隐马尔可夫模型是关于时序的概率模型;
  描述由一个隐藏的马尔可夫链随机生成不可观测的状态随机序列(state sequence),再由各个状态生成一个观测而产生观测随机序列(observation sequence )的过程,序列的每一个位置又可以看作是一个时刻。

2、隐马氏模型的组成和基本假设

(1)组成

• 初始概率分布
• 状态转移概率分布
• 观测概率分布
• Q:所有可能状态的集合
• V:所有可能观测的集合
• I: 长度为T的状态序列
• O:对应的观测序列
• A:状态转移概率矩阵
• B:观测概率矩阵
• Π:初始状态概率向量

(2)三要素

  lame=(A,B,Π)

(3)两个基本假设

  齐次马尔科夫性假设,隐马尔可分链t的状态只和t-1状态有关。
  观测独立性假设,观测只和当前时刻状态有关。

  • 2
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 5
    评论
评论 5
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

幻兒

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值