HMM之Viterbi算法

注：本文中所有公式和思路来自于邹博先生的《机器学习升级版》，我只是为了加深记忆和理解写的本文。

我们在前边简单介绍过一个预测的近似方法，就是在每个时刻选择出最有可能出现的状态，从而得到一个状态序列：

我们是这么计算的，处于时刻t的状态为qi的概率为：

当然我们已经将这种方案否定了，因为这种情况在实际应用中很可能会不存在，所以我们要是要使用动态规划中的一种算法Viterbi算法，其实前向后向算法也是动态规划。

Viterbi算法

Viterbi算法其实是用DP来解HMM预测问题的，用DP来求概率最大的路径(最优路径)，这里一条路径其实就对应了一种序列状态。

定义：

递推公式：

终止：

不难发现，Viterbi算法跟前向算法唯一的差别就是Σ换成了max，仅此而已，非常之简单，因为用在了不同地方，做不同事情，所以递推公式也有一点差别，仅此而已啊 。

HMM模型全部介绍完了，我们来对HMM做一个总结：

HMM解决标注问题，在语音识别、NLP、生物信息、模式识别等领域被广泛的使用(深度学习在某些方面其实做的比HMM要好，例如语音识别)，在一定的意义下，我们的数据可能比算法还要重要。

终于介绍完了，忙活了大半天，明天可以好好过一个光棍节了！！！！！！！！！！！！！！！！！！！！！！！！