本文详细探讨了HMM的三个基本问题：概率计算问题，旨在评估观测序列与模型的匹配度；预测问题，用于寻找最可能的状态序列；以及学习问题，涉及如何训练模型以最佳描述观测数据。通过一个轮盘赌的例子，解释了如何应用HMM解决这些实际问题。
HMM——三个基本问题
和之前几个模型对比，HMM比较奇怪，其他模型都是直接把特征对应成一个结果，当然，这个结果的取值本身是可以连续的（回归模型）或者离散的（分类模型），不过整个过程里涉及到的也就上输入变量（特征）和预测结果两部分数据。
HMM却是变量自己就分成两类：状态变量和观测变量，而且，模型的运行过程也是来来回回这两类变量之间转圈，这到底有什么用呢？
HMM的三个基本问题
概率计算问题
问题名称： 概率计算问题，又称评价（Evaluation）问题。
已知信息：
- 模型 λ = [ A , B , π ] \lambda=[A,B,\pi] λ=[A,B,π]
- 观测序列 O = ( o 1 , o 2 , . . . , o T ) O=(o_1,o_2,...,o_T) O=(o1,o2,...,oT)
**求解目标：**计算在给定模型 λ \lambda λ下，已知观测序列O出现的概率： P ( O ∣ λ ) P(O|\lambda) P(O∣λ)，也就是说，给定观测序列，求它和评估模型之间的匹配度。
预测问题
问题名称： 预测问题，又称解码（Decoding）问题。
已知信息：
- 模型 λ = [ A , B , π ] \lambda=[A,B,\pi] λ=[A,B,π]
- 观测序列 O = ( o 1
最低0.47元/天 解锁文章
扫一扫
281
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
