马尔可夫模型
假设几个月大的宝宝,每天只干三件事:玩(兴奋状态)、吃(饥饿状态)、睡(困倦状态),这三件事按照下图所示方向转移:
天气预测中,如果我们知道“晴天,多云,雨天”之间的转换概率。如果今天是晴天,我们就可以推断出明天是各种天气的概率,接着后天的天气可以由明天的进行计算。这类题可以用Markav模型来描述。
隐马尔可夫模型
如果我们并不知道今天的天气属于什么情况,我们只知道今明后三天的水藻的干燥湿润状态,因为水藻的状态和天气有关,我们想要通过水藻来预测这三天的真正天气会是什么,这个时候就用Hidden Markav模型来描述。
也就是我们所希望推算的东西不能直接观测到,而是根据另一种可观测的东西去推算真正想要推算的东西。
**隐马尔可夫模型(HMM)**是结构最简单的动态贝叶斯网络,它是一种有向图模型,一般会用在时序数据模型、自然语言处理、语音识别。
隐马尔可夫模型五元组
观测序列——O(可以理解为水藻的状态)
状态序列——I(可以理解为天气序列)
初始状态转移向量——π
状态转移概率矩阵——A
观测概率矩阵——B
隐马尔可夫模型三要素
初始状态转移向量——π
状态转移概率矩阵——A
观测概率矩阵——B